ロト6とミニロト予測　M氏の備忘録

近況報告

2009-01-14T14:21:00.002+09:00

現在はデータ整備中。自力予測ではどうしても壁をブチ敗れない。
そこでネット公開中の削除や候補数字から何かヒントを得ようと画策中である。
予想方法は各自いろんな技をお持ちのようで、各種データも豊富に公開されている。
問題はそれらを使って次回数字をあぶりだすこと。そのためのデータ作成だ。
基本は7個の削除数字と8個の候補数字。
7個削除はパーフェクトが5人集まれば一等という目標は達成する。一方候補数字は最小で2人分の予想で一等を達成できる。（もちろん1人で達成可能だが実績をみるかぎり3hitですらかなり難しい。）
7個削除の成功率は比較的高い。一方8個候補で5等当選の成功率はかなり低い。あくまでM氏の主観だけど。
あとは活かし方次第だ。成功は目前に在る。

第427回ロト6予測

2009-01-01T17:23:00.002+09:00

新年明けましておめでとう。今日は元旦、心機一転新しい気持ちで取り組んでいきたい。

ざっと間隔だけ見てみると6までで30個も数字が残っている。これをどう捉えるか？
単純に考えればここだけで相当数出現するだろう。もしかして完結も有り得るのか。それとも関係なしに遠いところがメインとなって完結するのか全体像はまったく読めない。
ずっと以前から出現の条件というものを考えていたわけだけど、間隔と回数という二つの属性にとくに注目してデータを更新している。
絶対に来ない組み合わせを出すのは簡単だ。当選数字を含んでしまう可能性は高いが。（笑）
ある属性のみで6個選べばほぼ外れる。属性は何でもいい。要するに分類するための条件。最大で2個から3個当選数字を選んでしまう可能性がある。
ちなみに絶対に完結しないグループを以下に挙げておく。
1、11　22　21　27　42　38　41
2、10　15　18　33　23　7　17　24　26　40　39
3、1　5　14　13　4　29　32　35
4、19　9　34　31　36　43　
5、8　16　12　30　25　20　28
6、2　3　6　37
全部で6種類の分類だ。お気付きかも知れないが、これは出現回数による分類だ。
他に同色数字でも完結はしない。妄想段階だけれど、こんなふうにたくさん分類を考えてフィルターとするとどれくらい削除できるのだろう？
注意することは表面上のデータ、例えば奇数偶数とか合計数、それに連番とかにこだわらないこと。これは失敗する。それに確率の収束も。持論だが抽選結果はいつでもスタート地点であり、終わりはない。

第426回ロト6具体的に絞り込む

2008-12-20T13:52:00.004+09:00

表の列　9　8　7　の意味は各枠でいくつ数字が残っているか？
間隔の方はお休み回数、色分けは過去21回での出現回数を表しています。
これは始めたばかりなので蓄積情報がほとんどないです。でもざっと見る限りポイントとなる数値は　7　です。識別IDの7ではなくて7個のグループという意味です。
どういうわけか各枠第一から第六まで間隔での残り具合を見ると多く残っている列から出やすい傾向があるように感じる。バラツキはありますが少なくとも　7個以下の列がメインになることはない、もしくは稀なことかも知れない。
また過去21回での平均出現を3回とみると大抵の場合それを上回っている数字が当選数字に絡んでいる。
まだまだ他にも見所はあるだろうけどWEKAの場合は残念ながらアバウトな思考はできない。ファジイと表現した方がいいのか。こういった人間的な判断の仕方を数値に変換し、（何か尺度を自分なりに決めてエクセルなど表をつくりCSV形式で書けばよい）パターンを抽出すれば何とかなるかも知れない。

表の説明に戻ると、第二数字と第四数字は現在の残り数字（出現待ち）がともに6個である。だからこの表に載せていない。
削除した列からの気になる数字、とくに直近でいくつかあるのだけれどどうしたものか？
いつもなら迷わず候補にするところだが、列の残り具合から察すると出現なしとなるかも。
でも列の残りが4個のケースもあるようだから現段階では何とも言えない。

過去21回での出現回数によるグルーピングから言えば同じ回数同士で完結することは無い模様。直近10回以内で活発な動きを見せている数字群から2個から4個出そうな気がする。
3　6　19　12　16　20　25　30　34　43　36　31　37
敬遠されそうな数字として　2　
次点で 3　6　37　
この4個のいくつかを選ぶのも面白い。
直近10回以内で出現1回の数字　21　22　は出ないかも。どうせなら　11　27　42　を選びたい。
回数から見て大抵の場合一番大きなグループは2回出現のグループまたは3回グループだ。おそらく毎回両方あわせて20個にはなるだろう。不思議な事におよそ半数をいつも占めるのだ。
ここから1個も出現なしというケースはあるのか？有りそうなのはどちらから1個、または両方から1個づつというパターンか。
でも数が多いから全然わからない。今回の場合、強いて言えば間隔の遠いところで　9　か　4　がくさい。（笑）近いとするなら　10　7　17　辺りか？
2回か3回の過去分析を見ただけの判断だから評価の仕様がないが、直近5回で3回出現数字は今回は候補としない。
1　5　14　13　35　となっているはず。
また同じように直近5回ぐらいで1回だけ出現している数字も外してみる。
38　41　となっている。

結果を見て唖然とするかもしれないが（笑）今回は上記のように考えて組み合わせを作る事とします。

第426回ロト6状況判断

2008-12-19T14:28:00.003+09:00

WEKAによる予測は中断中。
今回はアナログ思考による状況判断についてのメモです。

使用するデータは過去21回分の履歴で、注目する主な属性はその間の出現回数とインターバル、配色による組み合わせ、以上3点。

基本的な考え方は「ひとつの共通した属性で当選数字は完結しない」という点。
またコールド数字や多選数字、連続出現数字を削除対象にしてしまうのもミスとなる可能性がある。
だから一番最初はすべての数字を候補としスタートするのが良い。

具体的に何をどう操作するか？最初に出現回数を調べる。各数字のインターバルを記した表に回数を色分けして分布を見てみる。あっちこっち予想を見ていくといろいろな場読みをされているが、こういった表を眺めつつ読んでみるとほぼ似たような所見に出くわす場合が多い気がする。それもそのはず同じデータを見てるんだからね。
たとえばコールド数字の構成比が多ければ当然次回はその内どれかが出現する確率は高くなる。それに同じ抽選回の6個の数字が複数回に渡り残っているような場合も当然そこから出現する確率も高い。
また直近数字が出やすいというのも理由は簡単、約1/7（単純に43個から6個選ぶ場合の確率）という数値から考えれば前回から引っ張る現象というのは確率上十分有り得る。
それに直近5回分ぐらいを見れば、およそ半分20個ぐらいの候補数字があるから、ここから3個ぐらいは毎回出現してもおかしくない。
このように考えてみると、すべては（純粋に確率と表現していいのか解らないが、）まったくランダムに選ばれているように見える。
こう言ってしまうと身も蓋もない、予想なんて出来ねーやってことになってしまう。
だけどやっぱり予測しなきゃならん。いやM氏は予測できると信じている。

それで当選数字に共通する特性は何だと思いますか？
M氏はいろいろ予想してきたなかで重要な？ことを見落としていました。それは1から43までを数字として見てきたということ。これは他の方も数多く指摘されてることですが、「1から43は識別番号である」ということです。
ですから連続番号とか奇数偶数だとか、あるいはミニロト化とか逆に巨大化とか（笑）あまり関係ない気がする。データとして奇遇の分布などはある程度信頼性があるのは否定しませんがね。だから字面（つまり表面上の数字の並び）を見て判断するというのは危険ということです。
話しを戻すと共通する特性というのは表面上は分からない。字面だけ見ても、WEKAにぶちこんで分析しても解りませんでした。個別には顕著な傾向は分かるのですよ。（ただし時系列で見た場合は無理。方法に限界を感じた）だけど組み合わせとしては分からない。パターンもいろいろ出してみたけどね。数値あるいは名義変数として分類しても顕著な相関はなかったと思う。
要するに過去パターンに照らして判断するだけなので未来の出来事、動きを的確に予測できない。線形予測が通用する相手ではないし、何かの係数？指数にしたがって動くものでもない。
まあ、そういう説明変数を探していたわけでもあるのだけれど、いまだ収穫なし。

そういうわけで現状、間隔回数表をみながら考え中というわけです。
強いて次回の状況判断をするなら活発な動きを見せている数字群をメインにして、残りはやや低調な数字、もしくはコールドから選ぶというのが本線のような気がする。
インターバルで言うなら間隔5まででほとんど完成するかも。ただし全部出るか？というとそうでもない。コールドや中間層からも候補を出した方が良いかもしれない。
なんとも玉虫色？の所見になってしまったか。

ロト6特異出目に関するメモ

2008-12-09T11:33:00.004+09:00

1　8　15　22　29　36　43ーA
2　9　16　23　30　37　ーB
3　10　17　24　31　38　ーC
4　11　18　25　32　39ーD
5　12　19　26　33　40　ーE
6　13　20　27　34　41ーF
7　14　21　28　35　42ーG

これはご存知のようにセット球による分類である。セットが変わって色が変わっても、このグループ分けに変更はない。これらを便宜上A～Gまでの記号で7分割してみる。
連番出目を考えた場合、表面上、特に1～43の数直線で見た場合、有り得ないような印象を受けるが、上記の分類でいえば逆に自然なものとなる。
この分類の特徴は横の空き間隔が6刻みであること。連番と6刻みでどちらが来やすいか？あるいは来にくいか？を問うことはおそらく無意味だ。どんな属性で分類しても６個すべてが完全に一致することはほぼない。もしくは稀。いまここで問題にしているのは連番についてであるが、先に述べたように同じ属性で完結することはないことを思う時、連番で出現することは極自然だということを6刻みの分類を用いて説明しているに過ぎない。
A～Gまででバラバラに選んだ時、結果として連番になったといえる。

同じように間隔データでも考えてみよう。
この場合数字の分類は毎回変化する。数字の残り具合から推測する方法であるが、これも特定の間隔で完結することはない。多くの場合ほぼ全域が対象となっている。（直近からコールドまで）もっとも有りそうなのは直近とコールドから1個のパターン。イレギュラーといえるのは直近からゼロでコールドからが多いときだろうと思う。
間隔データの構成数からいえば直近数字がほぼ半数を占めるので次回は当然そこから選ばれる確率が高い。逆にコールドは時系列で言えば縦に長くなり、また個数も直近に比べれば少ないので選ばれる確率が若干低いし、的も絞りづらい。
話しを特異出目に戻すと、（ここでいう特異出目とは表面上のことであって間隔での特異ケースではない。）組み合わせを考える時、間隔データを重視すべきで表面上不自然に感じる場合でも他の属性で極端に片寄ってなければ良い組み合わせと言えるんじゃないだろうか？

間隔、配色、全体あるいは任意の区切りでの出現数、まだ他にもあるだろうけど集中しても３個ぐらいが限度ではないだろうか。

第４２３回ロト6WEKAによる予測

2008-12-03T21:15:00.002+09:00

上手くいく可能性はとても低いが今回はセット球予測を試行してみる。
使用データは全回分で枠別にセットと出目の相関を各スキームで試してみようと思う。
SMO
G　J　　B　　D
3　1　　1　　4
10　11　16　　8
19　15　17　18
31　30　30　25
36　31　33　37
41　43　43　42

過去１２回のデータからMLPで出した以下の数字を削除とする。
2　6　7　9　10　37　あと一つ36を勘で選択。
セットを使った予測はたぶん出来が悪い。だから7個削除で残った数字を間隔やら他人の予想を見て絞り込むことになるだろう。（笑）

ロト6における説明変数

2008-11-26T10:45:00.004+09:00

タイトルについて、ずっと考えてはいたのだが未だ決定的な要因は解らない。
WEKAではattributeとして表現されていて、それらを並べ任意のアルゴリズムで計算する。ある事柄についてデータを分類し、推定するわけだ。
ロトにおいて、ある事柄とは数字そのもの、あるいはゾーンなどいろいろ考えられる。問題は何を分類するか？経験から言って数字そのもは上手く機能しない。何か他の条件みたいなものを考える必要がある。例えば気圧。？と思うかもしれないが、まったくのデタラメとも言えない要素を含んでいる。このように抽選に際して事前に知り得る情報をattributeとして蓄積し、それらが実際の抽選結果に対してどんな関係を持っているか？を調べる。
ロトにおける予想はアナログであれM氏のようにソフトウェアを使う場合でも基本的な考え方は同じだ。つまり相関であり関連付けだと思う。
したがって重要なのは「事前に知り得る情報」の質、それと量もあるか？量とは種類のこと。
情報の質についてはロト抽選そのもにインサイダーは有り得ない。だからどういった情報を過去履歴から抽出するか？にかかってくると思う。一方抽選とは直接的に関係ない属性はありとあらゆるものが対象となりえる。
今のところ過去履歴から何種類か数値を取り出そうと思っている。それらを各数字1～43について独立して分析にかけてみようか？

第421回ロト6の結果

2008-11-21T11:01:00.002+09:00

今回は予想をアップできなかった。なので反省だけとなる。
全部で5口買ったわけだが当たりは無し。
7個削除は偶然にも正解した。WEKAでの予測は新しい方法をいろいろ試してみたが、振り返ればどれもこれもパッと目を引くものはない。
じつは匿名の方から指摘があった。それは分析の基本的なことであり、ここで改めて確認しておこうと思う。
ロトにおける数字は象徴、つまり識別IDのようなものであり、数字そのものに本質的な？意味はないということ。
つまり単なる記号である。だから回帰分析には不適切であり、決定木などのパターン認識系？の分析法にすべきだということ。
M氏が基本的に、これらのことを正しく認識していたか？というとどうも怪しい。（笑）
試行としては両方試してはいたが、今更ながら「どうしてこんな基本的な考えを見逃していたのか？」と思う。
だから今までの結果はあくまで偶然であり、必然から導き出された答えではない。
なのでこれからはパターン分析でWEKA予測を進めたいと考えている。
変数については、今まで数値による回帰分析、regressionが主であったために特に時間を割いて考えていない。
試行した内容はセット球、ブロック別にした時のパターン、番台別の組み合わせなどで、いずれも徹底的にやり尽くしたわけでもなく、途中で中断したままである。
したがって当座は上述した属性を中心に、もう一度分析をやり直すことになるだろう。

考え方の基本としては、「起こり易いパターンは今後も起こり易いままであろう」ということに尽きると思うのだがどうだろうか？
毎回ピンポイントで狙う事が効率が良いか、悪いか？あるいは同じ予算配分でいくつかのパターンを用意し、広く数字を拾うほうが良いのか？
言い方を変えれば、ひとつのパターンで組み合わせを広げるか、複数のパターンで数字を広げるか？

まず7個の削除を成功させる。これは比較的簡単だ。誤解があるような言い方かも知れないが、成功確率はかなり高い。
あとは残り36個をどう考えるか？
過去に一番絞込みが上手く行ったと感じたのは1回だけ。その時はJ-48で分類したと記憶している。
まずはいくつか分類のスキームを使って過去履歴よりパターンの抽出を再度行うつもり。

第484回ミニロト予測

2008-11-18T11:57:00.002+09:00

今回はしばらく封印してきたWEKA予測のみで勝負する。
概要は以下の通り。

数種類のスキームでまず過去の当選数字について従来の方法で予測値を出す。全ての予測については条件を統一するために、与えるデータは同じ様式のものを用意すること。
つぎに上で用意した過去の予測値と実際の抽選結果をまとめたものを第二のデータとし、さらに数種類のスキームにて最新予測回についてWEKAで予測する。今回は枠別に予測値を出してみた。
「第何回の予測で何のスキームを使ったら第何枠は？という数値で、実際の結果はこうだった」ということを枠別にまとめたデータを作成したわけである。
言い換えると予測値と実際のズレを考慮した重回帰分析となるはず。

最終的に、この中から数字を選んで出来上がりとなる。今回はSMOregを選択する。

今回の1点予想：

6　12　18　24　25

第420回ロト6予測

2008-11-13T15:18:00.004+09:00

今回の予測状況

まず削除数字に関しては現在7個の常時完全削除成功を目標に予測の最初に行っている。きっかけは削除ランキングサイトであるバトラーの結晶というサイトに参加したことだ。そういうわけで以下に今回の削除7個を・・
2　9　12　21　29　30　33
方法は前回と変わらずWEKAにて一定のスキームとデータを与えて機械的に出したもの。いささかもM氏の意識的関与はない。あるとすればアルゴリズムの選び方と与えるデータの質だ。
今のところ良いアイディアも浮かばず最善の策として採用しているわけだが、今回は大丈夫か？とヒヤヒヤしているのも事実。
さて残るは36個、ここからどうやって正解を導くのか？
結論から言うと買いにいったのは12個。これで5口作り購入となった。
第二段階で削除成績上位の方から6個拝借。つぎにWEKA予測数値から誤答率の高いものを順に削除、最後に比較的上位の方の一押し削除から1個づつ選んで消した。
最初は残り36個で6口の作戦にしようかと思ったが、よほど上手く分けないと並ばないし（かなり難しい作業であるし、時間をかけても成功する確率はかなり低いだろう）経験上かなり数字が割れやすく、また迷いも生じて効率的ではないと判断した。
でも最初の7個削除が成功していれば、すべて買い目に入っているわけで、最小の資金でワクワクできることは確か。

WEKAのテストはいろいろ試してはいる。ファイルをたくさん用意したりして、かなり煩雑になるけれど、その内精度が上がるだろう。（笑）
今回の5点予想

1　8　14　16　25　39　
1　5　14　18　23　35　
5　14　16　26　27　35　
8　16　23　26　27　39　
14　16　23　25　27　39

削除が失敗する可能性ありは以下の数字たち：消えてくれ～
3　4　7　10　13　17　
19　20　28　32　34　36

結果：14　19　21　28　29　31　（24）
意外にも伏兵は身内にいた！（笑）失敗予想では19のみで、まさか！？の7削除で2/7失敗という結果に・・
削除ランキングでも21と29は失敗というケースが多かったように感じる。
削除数字を導き出すプロセスは多分いろいろだろうけど、奇妙にも一致しているのが何とも不思議だ。M氏の場合はオートマティックだが、他にも機械的に数字を弾き出してる人がいるのだろうか？
可能性としてはWEKAで使われているアルゴリズムが人工知能、AIの技術と深い関係があるからだろう。だから同じ数値が出てきても実はちっとも不思議ではない。むしろデータ重視で予測しているのなら（なおかつアルゴリズムと似たような考え方をしている場合）同じような数値が出てくるのは至極当然なのだ。
だから今回21と29を削除に挙げた人はデータの見方において（アナログ的に言えば）同じような思考をしたと言える。M氏のひどい妄想かも知れないが。（笑）
WEKA予測のためのファイル作成に少々うんざりしているのだけれど、新たな試行を始めないとイケナイな。

第483回ミニロト予測

2008-11-07T15:48:00.002+09:00

今回のテーマは削除しないこと。(笑）
裏買いも含めるという意味でだが。
A:3　18　22　24　31
B:4　11　19　23　30
C：2　27　29
D：13　14　16　25　26
E：1　7　8　9　10　12　13　14　15　16　17　20　21　25　26　28
F：6
今回は以上の6組に分類する。
AとD、BとEがそれぞれ同じ属性となっている。CとFはそれぞれ単独の属性だ。
組み合わせの基本ルールは、同じ属性だけで完結させないこと。必ず最低でも二つ以上の属性グループから構成すること。
たぶん今回も以上のルールは成功すると思う。

第483回M氏の5点予想：

2 4 11 23 24
11 18 22 23 30
3 4 19 27 31
4 11 18 23 24
2 11 22 23 30

ついでに以下のグループも考えてみた。この数字群の属性はWEKA予測数字の＋－1数字とノーマーク数字だ。
4 8 11 12 15
18 24 29 30 31
この10個だけで構成される可能性もあるが、おそらく最低でも1個はこの中から出現する。
削除数字を考える場合、過去例から推測するとWEKA予測でのストレートな数字群が最も大きな比率を占めるはず。現段階で21個ある。が、しかしすべてが出ない可能性はとても低い気がする。1個から2個でる可能性がとても高い。
整理すると、一番期待が持てるのは上で述べた属性であり、削除対象となり易いのはWEKA予測でのストレートな数字群の大半なのだ。
問題は「WEKA予測でのストレートな数字群の扱い方」であり、現状では過去例の正解率、または誤答率から推測するしか方法がない。

第419回ロト6予測

2008-11-05T23:40:00.004+09:00

7ver直近5回での構成数は26個。怪しいラインが29だから3個未出現から来る可能性あり。
削除7個は前回と同じスキームを使用。7ver昇り順での直近3回分のデータで計算した。
過去2回の計算結果と実際の当選数字を比較検討し、現状で残した数字は以下の通り。

1　2　7　8　
11　13　17　
21　22　23　29　
30　34　35　38　39　
40　41　42　43

残念だが、すでにこの時点で数字を落としている可能性は非常に高いだろう。

数字の属性など内容について少しメモしておく。
まったくWEKAで掛からない数字、±1の数字、ストレートに出た数字の3種類で構成。
組み合わせについては直近5回での出現かどうか？でまず分類し、バランスを考える。また奇遇、番台についても考慮すること。
あと間隔についても見るべきだ。最終決定は明日。
考え直してまず削除から。
M氏の削除：3　9　18　24　31　33　37　
あとは前回と同じようにWEKA予測の傾向を見ながら順に消していった。
結果・・
直近より20　32
直近5回以外から11　13　39
以上を核とし、コールド数字を絡めた4点を候補とした。

今回は4点の買い目：

8　11　13　20　32　39　
11　13　20　32　38　39
11　13　20　32　39　40
11　13　20　32　39　41
抽選結果
5　8　16　25　26　30　（1）

7削除は成功したが、WEKA予測数値のストレートは出ないという先入観が邪魔をして、すべて削除したのが裏目にでた。直近5回以内数字と、それ以外の組み合わせというルールは今回もセーフ。コールド数字を流し買いにしたのも、高額当選を狙うためにはある程度有効かもしれない。少なくとも最初から削除の対象にすべきではないだろう。
とにかく7削除が成功しただけでも喜ぶべき。さらに精度を上げて、常に20個ぐらいの候補にすべて入れられるようになれればワンランク上の予測ができるようになるだろう。
この記事の冒頭に書いてあるが、今回は最初の絞込みですでに4個！も落としている。
こういった事態を避ける手段はひとつしかない。それは削除しないこと。（笑）
つまり裏予想だ。改めて言う必要もないが実にポピュラーな方法であり、実践されてる方も大勢いることだろう。
次回はこういった視点も交え挑戦してみよう。

第482回ミニロト予測

2008-11-01T20:12:00.004+09:00

直近4回での構成数は14個。過去例から推測すれば未出現数字から数個出るはず。ただし最大で4個までだろう。
今回はWEKAにて6種類のスキーム（いずれも初期設定）を用い、いつもの予測スタイルで数字を出してみた。通常は小数点付きの数値となるので、これを3種類に分類してみた。
まず切り捨て、そしてそれを±1とした数値である。
最終的にそれらを番台別に整理した。
おそらくここからいくつかの数字は出る。すべてが削除数字となる事は絶対に有り得ない。
24個も選んでいるし、（笑）特定の番台がすっぽり抜けているわけでもないからだ。
また残った数字は7個だが、ここから1個も出ないとは言い切れない。なぜなら過去例でしか判断できないが、WEKAで引っ掛からない数字が出る事は実際にあることを確認しているから。
ではどうやって削除数字を考えればいいのか？

経験からひとつの目安として次のように考えてみる。

1、小数点以下を切捨てた数値は軽視する。（出てきた数字そのままはまず期待できない）ただしそのまま出る事もあり。出てもまず1個ぐらいだが悩ましい。
2、±1数字は非常に怪しい。（ただし5個の内2～3個）
3、ノーマークの数字が出ることがしばしば起こる。
4、WEKAでの予測値は現状では枠別に予測する。したがって全体像を考える時、枠別に出した数値を眺めてそのままの感覚で組み立ててしまいがちだ。これは安易であり、結果を見ればまったく違う全体像、例えば非常に片寄った構成になることがある。要注意。

ちょっと考え直してスキームを減らし計4種類で改めて数字を出してみる。
分布やら過去例からもっともありそうなパターン探ってみると？
WEKA予測数字のノーマークより1個、同じくWEKAのストレートから1個、そしてWEKA予測数字の±1数字から3個。
まだ全体像は解らない。一応新たな分類は終わったので具体的に数字を並べ考えることにする。つづく。
最終的にWEKAの傾向、そして間隔表と分類表をもとに以下の数字を出してみた。
2　3　10　14　16　23　30　21　25　29
WEKA予測は経験上ムラがある。激ハズレも珍しくない。分類表は大体上手く機能するが、選択幅が広すぎる。間隔表は視覚的にわかり易いが、これも幅が広すぎて絞りにくい。
今回は過去のWEKA予測と実際のズレを意識し、なおかつ間隔と分類で主観的に違和感のない数字を選んでみた。（主観的っていうのがクセモノだが）
あと気になるところはWEKAのストレート予測値と被る前回数字　7　13　だ。
13は来る可能性は低いかも知れないが、7はひょっとして？有り得る。
1点予想：　　2　4　16　21　30
第482回 02，16，20，24，29，(05)
今回もハズレ・・・
10個も候補を挙げておいて3個だけとは情けない。実際の買い目では2個のみ正解。はずした20と24は両方ともWEKA予測でストレートに出た数字である。過去例から言うと、ストレートに予測した数字は、あまり出ないはずなんだけどね。こればかりは分からない。
2と16に関しては上手くいった。
というのはこの二つ、WEKAではまったく引っ掛かることのなかった数字群に属している。この属性をもつグループは当選の鍵を握ってるかも知れない。
AとB二つの分類予測では未出現から4個出現で正解、直近5回の構成数は18個となった。
グルーピングについて、いろんな方法があるようだがいったいどうやれば当選あるいは削除数字が固まるのだろうか？「それが解れば苦労しない」と言われるだろうけど、どんなやり方をしてもバラけてしまうのだろうか？
細かくすればするほど分裂してしまうのは当然だ。偶然上手く分けることができたとしても、あまり意味はない。何度やってもある程度精度が保たれなくては意味がないのだ。
というわけで今回は新しいヒントを掴めた回となった。

第418回ロト6予測

2008-10-30T12:39:00.004+09:00

今回の1点予想：

4　11　14　19　21　36　43

構成：A　B　A　B　B　B　A
奇遇比率は4：3
選び方は、まずWEKAにて直近の当選数字について機械的に予測してみる。
その傾向をもとに、ある程度次回の削除数字を決めるという方法。
WEKAでは同じデータを与えても各スキームの特性によって予測結果はまちまちであるので、その正解率の差に着目し、誤答率の高いスキームで予測したものを削除数字とする方法をとってみた。試行では100％の正解率ではないし、また試行回数も限られている。なのでひょっともすると一押しで削除したものが出現する可能性はある。
最終的に削除サイトおよび削除ランキングを参考にし、決定した。
事後のチェックとしては直近5回出現数字とそれ以外のバランスを考慮すること。
どちらか一方には片寄らない事を前提とした。
現在7verで予測テストをしているので結果は7個となった。
今回は当選を狙うというよりも、削除のほうに関心がある。確実に出ない数字を知る方法はないが、削除成功率を高めることは無駄ではないはず。

4　11　14　19　21　43
4　11　19　21　36　43　
11　14　19　21　36　43

以上3点、削除リストに挙がった4　14　36　を一個づつ7個の候補より抜いた3点を買うことに決定。
結果は　3　12　16　25　32　36　（34）
まず削除だが7個挙げた一押し削除はすべて成功した。
あとWEKA削除リストで失敗したのは13個中、32　34の2個のみ。したがって整理するとWEKAでは合計20個の削除をしたわけで、その内失敗したのが上に挙げた32　34の2個のみということである。その次の段階の絞込みにおいては削除ランキング上位の方を参考にし、自信のありそうなところから消していったわけだ。
振り返ってみるとWEKA予測の逆を突いたこの作戦はとても有効であり、本数字に限っていえば20個中1個だけの失敗というM氏にとっては比較的精度の高いものであった。
もっとよく検討していれば失敗ゼロの可能性も見えてくる。他人の予測にはあまり比重を置かず、もっと自信を持つべきかも。
一番信頼を置いているWEKAのスキームからは2個、25と36がストレートで出現。
外してしまった32と34においても33という数字が予測では出ていたので+-1数字として削除リストに入れるべきではなかった。
仮に削除ランキングを使わないとしても候補は23個であり、3グループに分けても3個一致する確率は相当に低い。2グループでも同じであろう。
今問題は「さらに候補を減らす方法」だ。
突破口が開けるか？

第417回ロト6結果と予測過程をみる。

2008-10-24T09:21:00.002+09:00

結果：3　20　23　30　31　37　（6）
買い：13　14　20　24　25　39
AとBで構成されるという大前提はかろうじて保たれた。
比率は1：5、ボーナス数字を含めると2：5となる。
削除数字は以下の7個を挙げた。
8　10　17　32　36　40　3
またしても1個、3を間違えてしまった。
0番台は最新5回終了時には8種類出現しており、未出現は3と8のみであった。
全体に占める0番台の出現率の高さは解っていたつもりだが、出てもダブって出るだろうという読みは外れてしまった。
単独の数字や番台別にまとめた数字など、その他何でも・・
出過ぎと判断して止めるか、まだ行けると判断するか？難しい。
今回の一番大きなミスはAとBのバランスに尽きる。
7ver6回での構成数は今回終了で29個となった。この方法を試してから一番怪しいラインの数字だ。バランスを考える時、この数字はますます無視できなくなった。

今回予測を時系列で追ってみると、すでに最初の段階でつまずいている。
それは番台別にみた時点だ。次のポイントは7個の削除数字を出したタイミング。
削除ランキングを利用して見直すというのは案外良いアイデアだ。
ただ慎重にやらないと本数字を簡単に消してしまう。
振り返れば一番重要なのは、やはりAとBのバランスのようである。
最小でも5：5は残さないと全部を含められないかも知れない。

第481回ミニロト予測

2008-10-23T15:24:00.006+09:00

今回もアナログ予想です。
WEKAはもっとデータを揃えてから、改めて試行しようかなと思う。
基本データは5回区切り本数字のみ。
まず大雑把な区分で直近4回より2個、直近4回で未出現から3個出ると予測。
今回もおそらく20個ほどで直近5回が完結すると思われるからだ。
問題は次の段階、どうやって最後まで取りこぼしなく残すか？
A
1　3　4　5　7　
13　14　17　18　
20　22　25　26
27　28　29　31
B
2　6　8　9　10
11　12　15　16　19　
21　23　24　30

大雑把な番台別構成をまず考えてみる。久しぶりにWEKAで予測してみた。
その結果は　0－1－1－2－2　これは第一枠が0番台、2枠が10番台という意味である。
一応これをベースとし、変化をつけてみる。第一～第三の組み合わせと第四、第五の二つに分けて考えてみる。もっとも有りそうなのは・・
0－1－1
0－0－1
1－1－2
第四、第五は・・
1－2
2－2
次は肝心の数字選びとなる。今回の予測にあたってwekaの予測データを過去20回ほどにわたり整理してみた。もちろんデータの与え方と予測スキームは統一した。
WEKAでの過去検証はデータが2種類、スキームも2種類あわせて4パターン用意し、当選数字と照らしてみた。
それを基にアナログ予想をブレンドし絞り込んでいく作戦となる。

1点予想：6　11　14　23　26

今回は深く沈んでいる6を選択、あと気になる数字は25と28である。それと2。
予算上たくさんは買えないので様子見となる。

3　7　13　16　25　（31）
Aから4個、Bから1個となった。すでにこの時点で負け確定・・
どうも数字選びにセンスがない。また次回の挑戦に期待。

第480回ミニロト予測

2008-10-18T18:04:00.005+09:00

今回も使用するデータは5回区切りで1回づつスライドさせた表だ。
本数字のみ5回での構成はざっと20個が標準のラインとなる。
現在17個であり過去履歴から推測すると、まだ未出現の数字が出現する余地はありそうだ。
もし出現ありとするならば、1～3個ぐらい新顔が出る可能性がある。
残りはもちろん直近4回で出た数字群からとなる。
上の区分での数字を下に挙げてみる。
A:
1　3　4　
10　12　13　14　17　18　
20　22　24　25　26　27　28　29　
B:　
2　5　6　7　8　9　
11　15　16　19
21　23　30　31

ざっと見た限り5回目には必ずBより出現がある。
個数は1～4個であり、A:Bの組み合わせは4種類のみとなる。
当選数字の流れを見るために、もう一つ表を用意した。それは466から475までと、476から479までの当選本数字だ。
AとBそれぞれについて、466～475での出現状況に照らして「どういった属性の数字がAとBに振り分けられているか？」という点を考えてみる。
その属性の結果、新たにグルーピングすると・・
Aでは・・
1　22　26　27　29
4　14　17　18　24　
12　13
20
3　10　25　28
Bは・・
2　7　8　11　16　21　31
9　19　30
5　15　23
6
予測：同じグループからは出ても2個だと思う。
1　22　26　27　29
4　14　17　18　24　
12　13
3　10　25　28
2　7　11　21　31
間隔データから見て、さらに細分化してみる。
476での可能性は10　12　24　この三つは同時に出ないと思う。選ばれても1個。
477からは　1　4　13　28　出ても2個。
478は・・17　18　25　可能性としては1個。
削除対象は、すでに2回出現の3　20　22を考えてみる。
今回は五つのグループからそれぞれ1個づつ選んでみる。
したがって第480回は・・

1点予想：2　13　17　25　26
結果：　5　7　18　25　31　（23）
A2：B3で混合タイプは正解、今回も構成は17個から20個となり構成数のライン20個というのは、かなり信頼できそうだ。
直近の間隔1～4回前から予測するというのはかなり難しい。うまく押さえれば当確の可能性はグッと高まるけど、期待してた477からはゼロ。またまた次回出現の期待値が高くなるという結果だった。
第一の課題は大雑把な分類、つまり直近数字と遠い間隔の出現バランスだがほぼクリアした感触だ。、
第二段階はAとBそれぞれで当選数字を含むであろうグループを特定できるか？というところ。
出現回数の分類だけでは数が多すぎる。違う視点での属性を考える必要な気がする。

第417回ロト6予測

2008-10-18T08:18:00.007+09:00

引き続きアナログ予想を続ける。
前回までの整理：
本数字のみ6verでは7回区切り42枠に対して、全部で29個の構成というのがひとつのラインである。これに対しボーナス数字を含めた7ver6回区切りでも29個での構成がラインのようである。
あくまでも一つの目安であり、絶対ではない。
課題としては第一に大雑把な区分の組み合わせにおいて取りこぼしが無いようにすること。
次にAとBそれぞれの候補をもっと減らすことであり、最終的に最小の数字群に当選数字を含ませる事となる。
使用データ：
400～405
406～411
412～416
まずB（直近5回で出現なし）での候補を挙げる。
13　18　20　23　27　30　31　38　42
選んだ基準は400～405、406～411の両方で出現しているというもの。
どちらか一方の回数区分に出現している数字は以下のとおり。
3　8　10　11　17　32　36　39　40
Aでも上と同じように分けてみる。
まず400～405、406～411の両方で出現している数字群。
4　6　16　19　24　28　33　34　35　37　43
どちらか一方の回数区分に出現している数字群。
1　2　9　12　14　15　22　26　29
上で区分できないもの（どちらにも出現してないが直近5回で出現）
5　7　25　41　
Bでいまだ出現なし　21
それぞれの区分を番台別に見てみると、一番動きの激しいのは30番台。
出現なしが多すぎる印象だ。最新区分で0回の数字から2個ぐらい出そうな気がする。
20番台では最新区分で1回の数字が怪しい。複数当選が他にあってもよい。
10番台も複数当選に期待したい。だから最新区分で1回を候補に挙げる。
0番台はBからは出ないと思う。Aから、すなわち複数当選に可能性があるように思う。
なかでも1～2回出現しているものが怪しい。40番台は多分なし。
ちょっと整理してみる。
1　4　5　6　7　
12　14　16　19
22　24　26　28　29
30　31　32　36　38　39

6　25　33はひょっとして3回目に昇格する可能性があるので削除対象とはしない。
2　9　37も「まさか」があるので悩むところだ。

ここで削除数字を7個挙げてみる。
8　10　17　32　36　40　3
選んだ理由は区分ごとの出現を時系列で見た時のパターンだ。
基本的に上り調子と下り気味に分けられる。この見方は主観的なものなので、見る人によってまったく違った結果になる。
M氏の場合、6回区切りの最終回で、その区切りの最終形を予測するスタイルをとっている。
だから時系列で見た場合、先細りになってるような数字が最終で復活することはまず無いという読みから削除対象とした。
あと山と谷のように波を持つ場合で、最新区切りでの出現がゼロの場合も期待は薄いと判断。
とりあえず以下のように見直してみた。
1　4　6　16　24　28　38
よく見ると問題がある。それは同一属性から5個も選んでいる事。
4　6　16　24　28　がそれだ。それと1もちょっとな・・で1は消し。
28も消し。
代わりに12を挙げる。あと25。
とりあえず今日のまとめ：
12　16　24　25　この四つを軸にする予定。
4　6　34　35　38　の5個から2個選ぶ。ただし4と6は同時に選ばない。
最終決定は明日。
Bからは3個が有力とするともう一度見直さなくてはならない。
昨日の予定では38のみBとなるからだ。ちょっと視点を変えて6回区切りでの出現状況で細分化してみる。
過去30回分にわたって表を作成、それを眺めてみる。一見すると乱数のようであり、規則性などはまったく感じられない。もうちょっと考えてみる。
ところで削除ランキングに前回から参加している。まあ、他力本願というか、人が変われば見方も違って当然で、詳細に検討してみるとこれが意外に面白い。
そういうわけで今回はそのデータを借りて最終的に決めてみようかなと思っている。
M氏の区分を基に「多分これだ！」と感じた削除リストを追加したものが以下の数字たちだ。
①
まずB（直近5回で出現なし）での候補を挙げる。
13　20　27　30　31　
選んだ基準は400～405、406～411の両方で出現しているというもの。
どちらか一方の回数区分に出現している数字は以下のとおり。
39　
Aでも上と同じように分けてみる。
まず400～405、406～411の両方で出現している数字群。
　19　24　28　35　
どちらか一方の回数区分に出現している数字群。
12　14　15　22　26　
上で区分できないもの（どちらにも出現してないが直近5回で出現）
25　
②
さらに削除：
28　35　15　22　26　30　19　12　27　31
最終候補：
13　20　
39　
24
14
25
したがって今回の1点予想：
13　14　20　24　25　39　（今までこんな並び買った事ありません。でも買います。笑）
①の段階で取りこぼしがなければまずまずの成功としたい。

第４１６回ロト6予測（1）

2008-10-11T12:17:00.008+09:00

今回の使用データ：
403～410回、411～415回の出現履歴。ただし7verです。

グルーピングについて：
直近5回で出現した数字群をA、出なかった数字群をBとする。

Aで1回出現のうち403～410で1回出現：1　14　19 24　　
Aで1回出現のうち403～410で2回出現：37　39　33　16　43　28
Aで1回出現のうち403～410で未出現：5　7　26　41　
Aで2回出現のうち403～410でも1回出現が確認された：4　
Aで2回出現のうち403～410でも2回出現が確認された：6　
Aで2回出現のうち403～410で未出現：15　25　34　35
Aで2回出現のうち403～410で未出現：9
Aで5回出現のうち403～410で1回出現が確認された：2
Bかつ403～410でも未出現：21　22　29
Bだが403～410で出現が1回確認された：8　11　17　27　32　38　40　3　12　20　42
Bだが403～410で出現が2回確認された：10　30　31　36　18　23
Bだが403～410で出現が3回確認された：13　

抽選回と出現回数で上記のように細分化してみた。
推測：
最新5回での構成は22個。予測の大前提として「同一属性では完結しない」として考えると今回もAとBで構成されるはず。
最新14回分の前半8回分で1回～2回出現した数字群のおよそ1/2は後半6回分に出現する。
現在上の条件に一致する数字は27個であり、後半6回ですでに10個出現している。したがってあと3～4個出現するものと予測。
選んだ区分は・・

Aで1回出現のうち403～410で未出現：5　7　26　41
Bだが403～410で出現が1回確認された：8　11　17　27　32　38　40　3　12　20　42

特に直近5回で未出現数字＝「Bだが403～410で出現が1回確認された数字群」が注目だ。「Aで1回出現のうち403～410で未出現：5　7　26　41」は、「403～410で未出現」という条件がポイントになると思う。他にも「403～410で未出現」という同じ条件区分が二つあるが、2回出現しているので今回は外した。
結果を待って、今後この視点での予測の有効性を確認することにする。

1点予想：11　17　26　32　38　41
結果：　12　15　22　24　29　37　（6）

一致なしでハズレとなった。
細かい感想は抜きにして、ざっくりと今回の結果で得た感触を記しておく。

キーワードは未出現と1～2回出現。どちらもAとBに存在する。
組み合わせにおいてはAとBの混合であるという条件以外には、これといった規則性はない。ずっと以前の履歴に戻って検証したわけではないので断言はできないけど。

今回は403～415回まで13回分の履歴をもとに7verで予測を行った。
いったい何回ぐらいで推移を見ればベストなのか、これといって明確な基準はない。
出現数と抽選回数でみると確か大体7回ぐらいだったけ？それで7verとすると6回ぐらいで区切ればいいのでは？
まあ、何となく感覚は掴めてきたような感じかな。0番台を切ったことで、フォームとしては上手くいったと思う。ただ30番台以降に重きを置いてしまったことと、何よりも選んだ属性が間違ったこと、そして6個削除が失敗したことが悔しい。
コールド数字がどれくらい沈んでいるか？もっと確認しておくべきだった。

第479回ミニロト予測

2008-10-09T15:07:00.007+09:00

今回は3グループに分けてみる。使用データは直近過去4回履歴。
A:直近で1回のみ出現
A2：複数回出現
B：未出現
区分条件は以上。
A:1　4　8　9　10　13　14　17　18　22　25　28
A2:3　12　20　24
B:2　5　6　7　11　15　16　19　21　23　26　27　29　30　31　
大体の感触を得るため予測回を含め構成数字がおよそ何個になるか？と考えてみる。4回終了時点で16個。これが5回終了で何個になるか？
直感でBより3個、Aから２個？残った候補のA:Bは確率からみてBの方に分があると思う。だからBは３個。待てよ・・
なぜか直近４回の出目を眺めてると477回と478回がそっくり残り、別の間隔から出現してくるのは有り得ない気がしてきた。
Bから出るのはおそらく２個で、残りは477回と478回から来るかも知れない。
前回の5回区切りの表を見ると、ラスト２回が丸々残る形である。今回も同じ形なら最低でも477回から１個出ないと違和感を感じる。そして単なる勘だが、478回からもどれか連荘で来るような気がする。

とりあえず

3　4　11　17　23　

追記
現在確認しているデータでの話し：
5回区切りでの構成数は15～21個。473～477回での奇数出現回数は7回、偶数は18回であった。
474～478では9：16となる。連続した5回でみるとかなりバランスが片寄っている。数字の奇遇で絞れるか？と思ったのだが、どうもこれでは使えない。短期収束するような属性ではない。検討する余地はありそうだが。
475～478を構成する数字群の奇遇バランスは6：10で、確率的に見てAからは偶数が選ばれる気がする。一方Bは10：5で奇数が多い。したがってBから選ばれるとすると奇数の確率が高い。
ここでもう一度構成グループを再編し、複数出現しているA2をAに入れ、AとBというふうに見てみる。
そして奇遇バランスの視点で分けてみる。
A奇数：1　3　9　13　17　25　で6個。
A偶数：4　8　10　12　14　18　20　22　24　28　で10個。
B奇数：5　7　11　15　19　21　23　27　29　31　で10個。
B偶数：2　6　16　26　30　で５個。

途中推定は・・
出現しなかったグループBで奇遇バランスの多いほうから出る。残りはAからで、同じく奇遇バランスの多い方から出る。

それからもう一つ・・それは当然のことではあるけれど、回を重ねれば遠い間隔ほど残る数字が減るという事実。直近数字ほど丸々残る可能性は高くなるが、（たまたま重複しない数字が選ばれるという意味程度）期待値としては遠いほど高くなる。（いつ出てもおかしくないという意味で）ちょっと待て・・これはおかしいかも？期待値はいつ、いかなる状況でも同じではないか？
また追記する。

以前から気になっている方の予想を以下に転載する。目的は自分と比較すること。もし不快でしたらその旨お知らせください。

０２　０３　０５　０８　０９　１０　１２　１３　１４　１５
１６　１７　１８　１９　２０　２２　２３　２５　２６　２７
３０　３１

以上２２個になりました。※　注意すべき数字は
０９　１０　１２　１６　２２　３１　と出ました。

総てがからむのではなく、このうちの最低１～２個は
出る可能性が高いという意味です。

以上だが、どうやって導いたのか？
複数回出現からは12のみ要注意、そして24が削除、3と20は候補となっている。
　
削除数字は・・
1　4　6　7　11　21　24　28　29　したがって・・M氏の区分で彼の削除数字を合わせると・・

A2:12　3　20　
A:　8　9　10　13　14　17　18　22　25　
B:2　5　15　16　19　23　26　27　30　31・・となる。

個人を挙げて予測するのはルール違反かも知れない。だが彼は非常に実績があり今後も注目すべき人だ。予想も公開しており質問にも答えてくれる。ここで予測の題材としたのは、「彼の実績にあやかりたい」というM氏の率直な気持ちです。ご理解ください。

さて、同一グループだけでは完結しないというルールで組み合わせを考える。また後で・・

ちょっと違った視点でデータを見直してみる。
それは5回区切りの番台別構成だ。全体は、ざっとだが多くて20個、少なくて16個ほどで構成されている。それを番台別にみた内訳である。
それぞれ大体4～6個、多くて８個といった具合である。
今回予測の場合、現時点で構成数は16個、だから新顔は多くて4個出るかもしれない。つまりBからということだ。つぎに番台別に現状を確認する。
０番台が5個、10番台が6個、20番台以降は５個である。
B:2　5　6　7　11　15　16　19　21　23　26　27　29　30　31　
条件は各番台とも最高８個とする。なおかつ構成総数は２０個とする。
推定方法は以上として、以下はM氏の推定だ。

新顔についてだが、どうも過去を見た限りでは、0番台はもう出ないか、出ても１個だ。10番台も出ても1個、たぶん出ない。
一番出そうなのは20番台以降からで、総数は2～3個増えるぐらいではないかと思う。そして先述したが、477回と478回の両方が丸々出現しないで残る事は考えにくい。ひょっとして478は残る可能性もあるが、477については最低１個出現の可能性が高いと思う。
新たなデータで直近3回分、10回区切りで1回づつスライドさせたものを作り、内容を見てみた。ざっとだが、およそ半分ぐらいの数字、14～15個は複数回出現する。11～12個は１回のみ出現、そして4～5個は出現しない。
最新の9回終了時について：
複数回の総数は14個、1回のみは10個、そして未出現は7個である。それで10回目での状況を推測するわけである。第一印象で感じるのは未出現が多いということ。仮に未出現から２個出るとすると、10回終了時に1回のみは12個となり少し多く感じてしまう。だから順に上へ繰り上げて、また考えるという推測方法だ。
5回と10回、それに直近での残り具合など・・まとめるとどういった形になるだろうか？

複数回出現：3　4　5　12　13　14　15　17　18　20　22　23　24　30
1回のみ：1　8　9　10　11　21　25　26　28　31
未出現：2　6　7　16　19　27　29　

B:　2　5　6　7
B:　11　15　16　19
B:　21　23　26　27　29　30　31　
A:　1　4　8　9　10　13　14　17　18　22　25　28
A2:　3　12　20　24
477回：1　4　13 　20　28
478回：3　17　18　22　25

まとめ：

Aかつ最新9回で2回：3　24
Bかつ最新9回で2回：5　15　17　23　30
AかつBかつ最新9回で2回：13　14　22　
Bかつ最新9回出現なし：2　6　7　16　19　27　29　
Aかつ最新9回で1回のみ：1　8　9　10　25　28　
Bかつ最新9回で1回のみ：　11　21　26　31
Aかつ最新9回で2回以上出現：4　18　
A2かつ最新9回で2回以上出現：12　20　

A:1　4　8　9　10　13　14　17　18　22　25　28
A2:3　12　20　24
B:2　5　6　7　11　15　16　19　21　23　26　27　29　30　31　

やっとここで改めて組み合わせを考える段階だ。
条件：同一属性から５個すべては選ばない。AとBの混合タイプである。

最新9回で2回選ばれた内から１個、最新9回出現なしから2個、最新9回で1回のみから1個。

Aかつ最新9回で2回：3　24
Aかつ最新9回で1回のみ：1　8　9　10　25　28
Bかつ最新9回で1回のみ：　11　21　26　31
Bかつ最新9回出現なし：2　6　7　16　19　27　29

１点予想：3　6　16　24　25　

最初の予測とはだいぶ変わってしまった。最後はどうしても勘になってしまう。結果的に477は全残しとなった。どう出るか？

結果
14　22　26　27　29　（21）
ずいぶん片寄った出目となった。最終候補では２個落としてしまった。それはAかつBかつ最新9回で2回：13　14　22というグループ。意外にも477がそっくり残り、残るかも？と思っていた478から22が来てしまった。
次回480は477からが要注意となる。全体で19個も残しながら全部入れられないというのは実に情けない。M氏の今回のグルーピングで当選数字を拾うのには最低で3グループ、総数で14個選ぶ必要があった。
AとBの混合というのは正解。なお新顔からは20番台以降が有力という読みはほぼ正解だった。
任意の区切りで構成内容を調べ番台別の出現状況から推測する方法は有効かも知れない。
10番台スタートというのは時々起きる。解ってはいるのだが圧倒的に0番台を含む当選が多いのも事実。だから0番台外しの予測というのは可能性のひとつであり、メインとなるパターンではない。引き続き0番台は必ず出る。
アナログでの予測はすごく手間暇かかる。何か独自のプログラムを書いて自動化したい。
条件設定して検索、集計するという流れ。勉強しなくちゃね。

第４１５回ロト6予測

2008-10-04T14:29:00.006+09:00

ちょっとした思い付きから新たなデータを作成した。
内容は過去７回×本数字は42マスとなる表で、複数回出現数字を一回とし、全体が何個の数字で構成されているか？といった表である。解りやすく言うと、過去7回分がボーナス数字を除き、何種類の番号で構成されているか？

全回分はまだであるが、直近10回程度を調べてみた。結果およそ29個というのがもっとも多い。現段階では。
ひどく大雑把であるし、正確性にも欠けるが、ひとつの目安として使えるかもしれない。
理屈は簡単だ。6回の時点で29というラインを超えていれば新たな数字が出現する可能性は低い。逆に下回れば新たな数字が出現する可能性が高まる。
上手く機能すれば今後も使ってみたい。ざっと見た限り、どちらか一方に片寄るケースは無い。必ず7回目は混合タイプとなっている。

ここで一応、形として考え得るパターンが出来上がる。
最新の結果を1と数えて過去6回分を構成する本数字群とそれには入らない数字群を考える。
もしかしてこれで2分された抽選回があるのかもしれない。（当選数字がどちらかに片寄るという意味。）
しかし直近を見る限りどうもこの可能性は低い。そこで次のように考えられる。
当選数字は必ず両方に散らばる。したがって最低1個から最高5個までの範囲でどちらかのグループから出現する。可能性としてはこのパターンの方が高い。
このままの推定ではピンポイントで数字を選べないが組み合わせとして考えた場合はかなり有効なのではないか？つまり最低でも同一グループから６個選ぶという事態は避けられる。（同一グループからはすべて出る事はないと仮定して）

したがって第一段階として次のように考える。

1、予測回を含めての過去7回、つまり過去6回を構成する数字群から1個～最大５個出現する。
2、上記に含まれていない数字群から、同じく1個から5個出現する可能性がある。
3、比率については未知(笑）で今後の統計調査による。上記の場合、組み合わせは全部で5通りなのですべて検討することは可能だ。

これらを考え合わせると、それぞれのグループから5個づつ選び、比率に従って組み合わせれば一応条件どうりの組み合わせができる。ただやはりこれでも組み合わせは非常に多い。当選のためにクリアしなければならない条件は以下のとおり。

1、比率が正解すること。
2、選んだ数字が正解(笑）まったく何やってんだか・・

この先もう少しグループを細分化したいんだがどう考えればいいか？
任意の区切りで出現回数別に数字を分けるということは、ごく一般的に行われる。自分のやっている事は本質的に、それらとなんら変わらない。まだ妄想段階だが、（笑）次のように考えてみる。

1、二つのグループそれぞれで１個から５個の組み合わせを作る。
2、実際にそれらを組み合わせた表を作る。全部で5種類のパターンに分類されるはず。
3、次回の当選数字は作成した組み合わせに含まれている可能性が高い。
4、何らかのフィルターを作成し、それで組み合わせの選別をする。

実際問題として組み合わせ総数が非常に多い。グループを構成する数は毎回違ってくるはずで、その度に組み合わせを作らなければならない。前回の結果を見ても、一見、有り得ないと感じてしまう組み合わせも簡単に除外できない。
とりあえずやってみよう。

409回～414回で・・
構成数は26個、内訳は・・
1　2　4　5　6　7　9　12　13　14　15　16　17　19　
20　24　25　26　27　28　35　36　37　39　42　43
上に含まれない数字群は17個・・
3　8　10　11　18　21　22　23　29　30　31　32　33　
34　38　40　41　
直近の構成数字群をAとする。それ以外をBグループとする。
大前提としてどちらか一方で当選が完結する事はないし、必ず5パターンの内のどれかで当選すると仮定する。
二つのグループの構成比から「何個出現するか？」を推測するのは、ごく自然で理に適っている。多く数字を擁する方が確率的に有利だから当然Aの方が多くなるだろう。だが「毎回そうか？」となると違う。全体に対する回数は当然少ないだろうけど、直近数字群が多いにもかかわらずBから５個出現ということも確認しているからだ。
もっとも有りそうなのは、3：3、4：2辺りである。
4：2のパターン数をみてみる。
Aの組み合わせは・・26*25*24*23＝358.800/24で14950通り。
Bは136通り。だから4：2のパターンは2.033.200通りとなる。気が遠くなりそうだ。
この中で現実的な組み合わせはどれだけになるだろうか？現実的っていうのが曲者だが。

効率を考えるとBを基準にした方が解り易いかもしれない。つまりBで作った２個の組み合わせからAでの組み合わせを絞るということだ。買い目は136点、金額にして27.200円となる。かなり現実的な話だ。Aでの組み合わせをかなり絞ってもパターンが外れればすべてパァー（笑）
選ぶ組み合わせの数が増えるほど何通りというのは増えてくる。
例えばBから３個選ぶとなると680組できる。3：3で1.768.000組。2：4で773.500組となる。

そこに正解が在ることは解っている。どうしたらもっと近づけるのか？
組み合わせを減らす方法は二つ。対象数字を削除していく。もうひとつはパターンで絞っていく方法。

削除の方は簡単なので、今後はパターンに限って整理してみたい。
AとB、二分割での組み合わせは5種類のみ。なのでポイントはそれぞれのグループで「どういった組み合わせを作れば最も効率的か？」ということになる。
効率的という意味は例えば以下のようなことだ。

Bから40と41を選ぶ。そしてAから37　39　42　43　を選ぶ。この二つを組み合わせても、客観的に良い組み合わせだと感じる人はごく少数だろう。言い方を変えれば特殊な出目であり、まず有りそうにない組み合わせだと言えるだろう。
そこでこういった組み合わせを排除することを効率的といっている。

まだ試してはいないが、仮に条件入力で組み合わせを自動計算してくれるソフトがあればかなり効果を発揮してくれるのではないか？

予測：
構成はAから４個、Bから２個選ばれるとし、番台別に0　1　1　2　2　3の構成と予測。
Aより重複数字を全削除、残り２０個から番台別の条件に一致する数字を選ぶ。重複した数字のバランスから考えてAより選んだ番台は以下の通り。
10番台より１個、20番台より２個、30番台から1個。
したがってBより0番台１個と10番台1個選ぶことになる。
以下で番台別に候補を並べてみる。
0：3　8
1：12　13　14　15　17　19　○
1：10　11　18　×
2：20　24　25　26　27　28　○
2：21　22　23　29　×
3：36　37　39　（42　43）　○
どうも候補が多すぎる。上で挙げた数字はどれも適当に選んだものだ。一応書いたプロセスにしたがって自由度を残したまま勘で選んだ組み合わせである。
ここで改めて第一が3であった過去履歴を調べてみた。奇妙な偶然に感じたんだが第二が8のケースが少しだけ多いのに気が付く。3から10番台へ飛ぶパターンはとても少ない。今後ないことは無いはずだが、前例がないものを選ぶというのは、どうも抵抗があるので3と8をBから選んでみることにする。したがって0　0　1　2　2　3　の番台となる。AとBの比率は変えないので×印でBからの候補を消しとする。よって今回は・・

3　8　13　37　39　42

結果は　9　28　33　34　37　43　（41）で特殊な出目となった。AとBの構成比は正解、ただ番台別予測は上手くいかなかった。また複数回出現した数字を全削除したのもミスだ。今回のケースで2.033.200通りから正解が出た。番台別予測が上手くハマれば点数はもっと絞られる。
構成比と番台別パターンをクリアするほかに点数を減らす方法はあるか？
候補を絞るということは、当選数字を捨てる可能性がある。そういうリスクを最小限にとどめる手段・・矛盾することだが有効策を考え続けるしかない。

第４７８回ミニロト予測

2008-10-02T16:15:00.006+09:00

第４１４回ロト6の結果をみて感じたんだが、もはや組み合わせには「何でもアリ」だ。たぶんミニにおいても同じ。だからといってデータとか統計っていうのを無視して選ぶとしたらどんな結果がでるか。残る方法は・・そりゃもう直感しか残らない。適切じゃないかもしれないが、あるいは直観。

結果に振り回され方法が定まらない状態ではやはりイケナイ。自分流を貫くのも楽ではないが。
ミニについては現在は主にパターン分類からの予測だ。データから見える事には、やはり説得力がある。たとえ次回に限ってまったくの激ハズレだとしても、それは全体の中での一事象であり、トータルでみればとっても特殊な例にすぎない。何度も言うが類例の多いものは今後も出現する。たぶん。だから方向を誤ってはいけないのだ。

今回これといった試みはないが、まずは気になる組み合わせを１点だけ挙げておく。

2　11　16　24　27　

この組み合わせは第四まで同じものがすでに当選している。ちなみに第五は26と29だ。探せば他にもこんな組み合わせはまだあるだろう。（すべてについて試していないので確かな事は言えない）とにかく３個一致を探すのは容易だ。確率上どれくらいの数値になるのかよくわからないが、案外高い確率で３個までは一致するのかもしれない。
なぜ第一に2なのか？それは出現比率で考えたら1についで高いからだ。安易だとは思うが正直次回の第一に何が来るのか？については、そう思うからとしか答えられない。
それでそれを基に組み合わせを考えるとなると、現状では枠別に別々に考えて組み合わせるより、2を基点として過去データからパターンを抽出したほうがいいように感じる。

追記

使用データ：5回区切りで1回づつスライドさせたもの。
目的：5回の連続した抽選で数字が何種類使われているか？調べてみる。

5回目を予測するとして４回までと5回の差をみてみる。結果は・・
思ったとおり4回区切りで構成される数字群で5回目が完結することはない、もしくは稀だ。
5回目には最低でも1個以上、4回区切りで構成される数字群以外から選ばれる。
あまりにも当然過ぎる結果のようだが、組み合わせを考える段階で注意が必要だ。
したがって478回は・・

1　3　4　5　8　9　10　12　13　14　
18　20　23　24　28　をAとし、ここから1個～4個

2　6　7　11　15　16　17　19　21　22　
25　26　27　29　30　31　をBとし、ここから1個～4個選ばれるはず。

混合比率は4種類で、必ずAとBの混合となる。

最終予測：比率は3：2で2と11はそれほど深くないが沈んでいた数字から選び、残りは直近４回からそれぞれ1回だけ出現している数字を選んでみた。この内13と28は連荘となる予定？

2　11　13　23　28　
結果は・・
3　17　18　22　25　（5）
予測は激ハズレだが、パターンは偶然だろうけど一致した。
また大きく2分割でグループ分けした方法も正解した。
直近過去4回で出現したグループから3と18が入り、それ以上遠い回から17　22　25　と3個出現。
予測回を含め過去5回の時点で区切ると、出現、未出現がそれぞれ16個と15個で、ほぼ半分に分けられた今回、当選番号もそれに準ずるかのように3：2という比率で構成された。（ボーナス数字を含めると3：3となる。）
何でも簡単に結論を出す事はできないが、どの数字も等しく選ばれるチャンスがあることと、ブロック分けしたそれぞれの構成比をあわせて考える時、それぞれのブロックから選ばれる数の総数は構成比に比例するのだろうか？
おそらくこれは論理的に正しい。
なぜなら構成比以外に影響を与える要因が見当たらないからだ。
以上はすべてM氏の憶測です。

第４１４回ロト6予測(2)

2008-10-01T21:28:00.003+09:00

やはり14分割は細かすぎる。一致する件数がそれなりになくては分析のしようがないと判断、今度は誰もがやっているであろう5分割だ。それは番台別に分けた方法である。

以下は実際の数値、括弧内は回数である。

第一：0番台（333）10番台（74）20番台（6）
第二：10番台（197）0番台（182）20番台（33）30番台（1）
第三：10番台（222）20番台（116）0番台（60）30番台（15）
第四：20番台（200）10番台（143）30番台（62）0番台（8）
第五：20番台（187）30番台（177）10番台（47）40番台（2）
第六：30番台（272）20番台（92）40番台（39）10番台（10）
第七：40番台（214）30番台（180）20番台（19）

樹木状にすると・・

0番台　　0番台　0番台　 10　10　10　　20
10番台　10番台　10番台　20　20　20　　30
　　　　20番台　20番台　30　30　30　　40
　　　　30　　　30　　　30　40　40　　40
一番左のどちらかを選ぶと、右か斜め下にしか進めないというルールになる。
再度、第一が0番台のものだけを分類してみる。

第二：0番台（182）10番台（140）20番台（11）
第三：10番台（194）20番台（70）0番台（60）30番台（9）
第四：20番台（146）10番台（134）30番台（45）0番台（8）
第五：20番台（157）30番台（128）10番台（46）40番台（2）
第六：30番台（210）20番台（87）40番台（26）10番台（10）
第七：40番台（162）30番台（152）20番台（19）

条件1　
第一：0　第二：0か10　
条件2
第三：10
条件3
第四：10か20
条件4
第五：20か30
条件5
第六：30
条件6
第七：30か40

以上、例の多いものを選んで組み合わせをモデル化してみた。ありきたりの結果かも知れないが実際の抽選回から条件に一致するものを抽出してみる。これでも16パターンになる。
抽出の結果、意外なことにわずか1件しか出現していないパターンを発見した。他にも2件とか3件のみというのもある。
最もありそうなパターンを選んでもそれほど同じパターンに集中しているわけではない。これほど大雑把に分類しても相当にバラける。第一が10番台のものも100件ぐらいあるけれど、これも分類しても相当にバラけているだろう。あまり意味が無いような気がする。本来の目的は最も有り得るパターンを見つけることだった。だけど解ったのは想像以上にメチャクチャだという事。（笑）
だからといって手が付けられないかというと、そうでもない。やはり出やすいという感触がある属性もある。

除外してもいいと感じたパターンリスト：

0　0　1　1　3　3　3
0　1　1　1　3　3　3
0　1　1　1　3　3　4

これらは実際に出現しているけど他パターンと比較して出現回数が低いため除外するとする。
もちろん今後出ないわけではない。20番台抜けだけど、実際にはよくある印象を受ける。これは基準としたデータの問題であり、ひょっとしたら私は重要な事を見逃している可能性が多分にある。

結論

第一：0
第三：1
第六：3
以上3ゾーンは固定とし、残りは未定（笑）疲れた。

追記

番台別5分割での選択肢は全部で13パターン。全部のパターンを組むとして最低何個の数字が必要か？（7verの場合）
0番台：2個　以下同様に・・
10：3
20：2
30：3
40：1
内訳は以上で計11個必要となる。絶対条件として0番台は組み合わせから外さない事。

残念ながら今日はここまで。今回は上でつくったパターンとは違うものを2点だけ予想する。

準備不測なので、思い付きとプラス数あるデータから(笑）：

3　6　7　24　28　36　
3　6　12　24　28　36

第４１４回ロト6予測(1)

2008-10-01T13:02:00.004+09:00

現在、7数字verでパターンやら出目を追っている。

ソート条件：daiiti=A(154)

今現在、14分割で第一枠がAという当選数字が154例ある。（A=1,2,3）
平均2.68回という出現率だが局所的には10回以上出なかった時期もある。また5～6回お休みで、はたまた連荘するというような挙動も見せる。まったく時系列でピンポイントで次回出現を予測するのは激ムズだ。何度も言うが、今後もこの比率(約37.3％）は大きく変わらない。（ただの推測だが）
だから第一枠で一番多く出現するのはAゾーンだ。ちなみに現段階を起点とすると過去100回での出現率は36％である。こういったことを計算し、なおかつ実効ある数値とするにはどういったモデルを考えればいいのか？さっぱり解らないし、確信を持てない。仮に任意の区切りで明らかに異常な比率だった場合、実測値はどういった時系列での動きをみせるのか？やっぱり均衡を保つような動きとなるだろうか？

数値からみると次回Aが出現する余地はまだある。これは全体＝部分として全体の比率を部分にも適用した場合の結果だ。経験値からみると現在までにA枠に出現したゾーンは9種類ある。
それぞれについて数値を計算するのは簡単なことだ。そしてそれに基づいて予測することも可能だ。だが肝心な事を見逃している。
それはあくまで各枠での独立事象であり、組み合わせとして扱わなければならない事を忘れているのではないか？

結局何をやりたいのか？整理したい。
まずは当選数字を分類すること。これは集約ともいえる。つまり何らかのパターンに分類できるということを前提としている。が、意外とこれが難しい。パターンがそれなりに出来たと仮定して、次は次回パターンを予測するという段階に入る。最終的に予算との関係で点数を絞るという流れ。

大方第一枠はA～Dの数値が入るだろう。当然過ぎる結果だが、これしか言えない。だから推測の仕方としてはAの場合、第二枠はBが入るのが確率上、順当であり、第三枠はDCEFの順に選ぶべきであり、第四枠はEFHI、第五はIJHL、第六MLJ、第七はNMとなる。
以下同様にBの場合、Cの場合・・というふうに予測はできる。
これらの推測方法は各枠でどれが最も回数が多いか？ということを基本にしており、くどいけれど実際の組み合わせを基本に置いた考え方ではない。

では実際の組み合わせを基本に置いた推測とはどんな方法になるだろうか？

weka.associations.Apriori -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.1 -S -1.0 -c -1
1. dainana=N 79 ==> daiiti=A 79
2. daini=B 57 ==> daiiti=A 57
3. dainana=M 31 ==> daiiti=A 31
4. daisan=D 30 ==> daiiti=A 30
5. dairoku=M 30 ==> daiiti=A 30
6. daisan=C 29 ==> daiiti=A 29
7. daini=B dainana=N 29 ==> daiiti=A 29
8. daini=C 27 ==> daiiti=A 27
9. daiyon=E 27 ==> daiiti=A 27
10. daisan=E 26 ==> daiiti=A 26

これはWEKAで手っ取り早く出したルール？だ。このデータで最も多く認められる要素を順に10番目まで出したものだ。数字は認められる類例の数である。例えば一番多く見られる組み合わせは第一枠がAの時、第七はNであるという事。

これを参考に組み合わせを挙げてみる。
A B D E ? M N
　　C　
　　E
?の第五枠はゾーンが平均してバラけている。だから有効値として認識されなかった可能性がある。こうして見てみるとどうも予測方法としてはアバウト過ぎる。だがひとつだけ有効な組み合わせを探す方法がある。それは上で確定した5個のゾーンを基本として可能な組み合わせ、つまり仮想当選組み合わせを作り、それと一致する組み合わせを過去履歴から抽出してみるといった方法である。
これで何が解ると言うのか？

過去記事でも書いたが、14分割の組み合わせでも、すべてが一致するものは数が少ない、もしくは一致無しの可能性が高い。だから一致した組み合わせを除外していけば今後出現する可能性の高い組み合わせのみが残ってくるだろう。本当か？（笑）
ただし「いつ来るのか？」は本当に解らない。予測不能。
それでこれを解決する手段として考えたのが、一番出現頻度の高い属性を基本として予測数字を組むという方法。したがって第一枠か第七枠が基本にふさわしいということになる。さらにいえば、それぞれで第二、第三候補を考え、同様の操作を繰り返して仮想組み合わせをつくるといったことになるだろう。

想像するにかなり面倒な作業になるし、不毛に終わるかもしれない。現時点ではまだデータ作成には着手していない。

追記

ざっと上で示した組み合わせについて一致検索を試してみた。結果は案の定一致無し。
全てのパターンが全部でいくつになるのかはよく解らないが、現時点では一致するものは極々限られているような気がする。413パターンあると言っても過言ではないのでは？（笑）
単純に考えれば1/3に集約して、およそ200万余の組み合わせとなる。（驚）一致する方が珍しい。でも５個もしくは６個一致するパターンは存在する。（たぶん。笑）
どうやってそれを探すか？
それを組み合わせの基本とするのが最も近道なんだろうか？

ロト6予測準備（1）

2008-09-26T08:48:00.002+09:00

しばらくWEKAでの直接予測はお休みして、データを整理中。
今まで対象でなかったボーナス数字を含め、再構築しようかなと。これは目標をワンランク下げる事を意味する。2等でも期待値は1.000万円であり、なかなか手が届くものではない。残念ながら過去を振り返ると軌道修正も止む無しと判断した次第。
したがって７通りの組み合わせを予測の対象とすることになる。
具体的にはボーナス数字を含めた履歴を昇り順でソートする作業から始める。データ上は1等、2等の区別無く、今現在で約2.800組超ほどの組み合わせとなり、データ行は一回の抽選ごとに7組づつ増えていくことになる。
目的は組み合わせの特徴を探る事。

現段階でボーナス数字を含めた履歴を昇り順でソートする作業は完了した。
ざっとWEKAにて分布を確認している最中だけれども、非常に特徴的だ。本来の分布でいえば山の頂点に来なければならない数字が極端に凹んでいる部分などがある。大方の分布は理論どおりなのだが、局所的におかしい。特にミドルレンジあたりで顕著だ。
この分布にみられる特性は、実際の組み合わせにおいてどう生かされるものなのか？
どう利用できるんだろうか？単純に頻度の高いものを選んだだけでは上手くいかないはず。

このデータでの分類についてはbaysnetでの結果が良好だ。約90％は上手く分類されている。
一方J-48では著しく精度を欠いた。なぜだろう？そもそもbaysnetが何であるか？もよく解ってないんだが（笑）設定はいずれも初期設定のままだ。
分類の意味を改めて整理すると、選んだclassifyにしたがって過去データでのpredictを行い、実際のactualと比較して最後にそのモデルを評価するといった流れになっている。
したがって、このモデルで予測した結果は約90％の確率で正解するだろう。（笑）
本当か？

Baysnet　　6　16　15　23　32　41　39

どうも予測数値を再確認した印象はあまりよくない。上手く分類されたモデルが次回予測で好成績を出すとは限らない。というか、モデルは過去に対してのみ有効であり、未来に対して有効であるというのはFALSEなのだ。
ちなみに予測した、上の数値を実際の数値として再度、同じ条件で分類してみた。結果は　23　32　39　のみ正しく分類され、残りは誤って分類されて、先ほどとは違う予測数値を出している。このことは予測した数値が同じ考え方の元で否定されたことを意味する。
本来なら一致してしかるべきなんだけどな。どこかlogicが間違っているだろうか？

新たな試みで7数字で分析を始めたところだが、一つ気になることがある。
7数字で14分割のデータをつくり、その組み合わせについて調べている最中であるけれども、どうも全ての組み合わせが一致する回がない。
まだ途中なので断定はできないが非常に少ない感触である。
当然部分的に一致するのはたくさんある。総合して考えると多く共通するパートを基本とし、まだ出現していない組み合わせを候補としたほうが可能性が高い気がする。
14分割というと、およそ1/3に集約されるのだけれど想像以上にバラけている。だから・・
来てないところがポイントになるんじゃないか？

第４７７回ミニロト予測（1）

2008-09-25T21:23:00.003+09:00

今回の試行は各数字別そして枠別に今までの経験値から出現比率を割り出し、それをもとに候補を出すという作業。
仕事量は大変多くなるだろう。ただ一度出してしまえば短期間に大幅に変化することはまずないので後々の事を考えれば有効打になりえるかも。

考えてる事は、上のデータと、任意に区切った期間でのそれぞれの出現状況とを照らし合わせ、全体と部分が同じような比率になっているだろうという推測のもと、数字を割り出す作戦。ただし上手くいかない可能性も多分にある。

それは一口で言えばムラ。時系列でみると物凄いムラがある。第一枠は右下がりに滑り台のようなカーブ、第五枠は逆に右上がりだ。これは大局からみると理想的な形だ。ただ時間的経過のもとで観測するといったいどんな風に見えるのだろうか？
確実に順番はめちゃくちゃで、次第に出現頻度に差が出てあのような形になるんじゃなかろうか？これを予測するためにはどんな方法がもっとも現実的で有効なのか？
すでにWEKAにて枠別出現回数は把握しているので、後は％スタイルにしろ、何にせよ数値をまとめるだけである。
単にグラフ情報を数値情報に変換しただけではあるが。

数学はすごく苦手だからどうしてこういう分布になるのか？は説明できない。ただ、5枠に分けているから、ああいう風な曲線を描くのは理解できる。第一枠は最も小さい数字だから必然的に重心が小さい方に偏るし、逆に第五枠は大きい方に片寄る。まったく見事に重心がスライドしていく様が観測できる。
だからと言って常に組み合わせが最も期待値の高いもの同士になるか？
実際には違う。

すでに今回の試行準備はできた。現時点での出現比率で期待値の高いものを集めても、すべての当選者？を含む予測ができるだろうか？

今回違ったアプローチとして独断で異常値と思われる数値をピックアップしておく。
これらは理由は分からないけどグラフから受ける印象が特異なものである。

第一では3と4が逆転しており、第二ではまたも逆転している。
13と14の逆転、　11　13　の突出、15　18　23の凹み　第四枠27からの崖、第五での23のコブと22から始まる印象。なんだか上手くまとめられないが、どうもパターンによって偏りは確実にある。
結局、現時点での結論は
「各枠において特定の数字が出るパターンが存在する」

以下に参考として、ある予想サイトから一つの予想をコピーさせてもらった。勝手に載せていいものか分からないが、書き手を非難するのが目的じゃないからお許しいただきたい。

MINI477 初心者： 2008/09/26(Fri) 17:29 No.180

4,5,10,11,16,18,20,24,25,31

5 10 11 18 31(穴)
4 10 16 20 31(最近の傾向から)
1 12 19 20 26(裏)
・9月に０回の目はない、30という日に0回は8,25
・過去180回から前回出目より出現期待値が高いのは
　11,12,16,22,30 一番悪いのは29
・19週連続してＢ数字からの連荘はありません。13はずせ
・５週連続して前回の目から数字が２個連荘する現象が起きている。
　少ない口数の購入ならば前回の目を２個入れて買うのも手だね！
------------------------------------------------------------------------
各ラインの数字のドツボ地獄状態(どれも２０週以上出てないぞ）
第一数字２、９/第二数字６、(極悪１４)/第三数字(極悪１１)/第四数字(極悪１９)、２６、２８、(極悪２９)/第五数字２２,（極悪２５）
極悪とは３０週以上、そのラインでは出てない数字であきらかに確率以上に出てない！
少ない口数の購入ならばいつくるか不明な各ラインの数字はさけろ！仮に２５を書くならば第４数字となるのが人情。
それを超えた何かが見えるアナタならば１等が狙えるかも？僕は単に過去の状態を報告するしかできない凡人！

過去データから、どんな風に推定しているのかよくわかる。
枠別に出現回数を集計したグラフと上の説明を比較して見てみると・・・
まず第一数字・・2と9、グラフで見る限り特に異常値とは感じられない。むしろ3,8,10の三つが目に付く。
第二数字・・現時点でのピークは10。6は若干少なめか？14は多めに出現しており、現在ハマリ中というのは理論値からみると正常に作用しているように思える。
第三数字・・11もグラフでは突出しており、第二と同じようにハマリ中というのはなぜか納得できる。
第四数字・・19はおそらく過去のある時点で突出して出現した時期があり、その反動でハマッたものと推測、26は出現多発ゾーンにありながら、なぜか少ない。この枠の特徴として27を過ぎると、つまり28になると急激に出現頻度が下がる。上の予想では28が少ないと言っているのだが、もともと28は四枠で選ぶべき数字ではないと思う。組み合わせのパターンによるけれど。29も同様。
第五数字・・22は第五数字での区切り数字に見える。22から途端に回数が伸びていくからだ。
グラフでは22も25も異常は感じられない。現時点の頻度はごく自然に見える。特に目に付く数字は23。グラフでみるとわずかだが、ちょっと出過ぎの感がある。

ここしばらくwekaでの機械的予測は行っていないが毎回何らかの予測はして、実際に買ってはいる。
方法はパターンのあぶり出しから始まって、そこから選ぶという形だ。どうも選ぶ数字によって組み合わせが、ある程度かたまっているような気がしてならない。特定の枠で、特定の数字を選ぶと、なぜか繰り返し現れるパターン、数字が出てくる。場合によっては（大いにあるのだけれど）一度も出現しない数字があったりして、どうも組み合わせを考える時に、消極的になったりする。今後そういった数字も徐々に出現してくることは、ほぼ確実だろうけど、（本当に確実だろうか？）もうすでに元型といったものが出尽くしている可能性はないだろうか？
微妙に揺れながらいくつかのパターンが入れ替わり現れている感じがするのだけれど。時系列で次回を読む事は本当に難しい。
そういうわけで今後の方向性はやはりシナリオということになるんじゃないだろうか？
いくつかパターンをつくり確率で決定木をつくるという方法。面白みは全然ないけど、もっとも理に適っていて誰でも思いつく考え方かも？
WEKAで実際にシュミレートできるのか？

今回の1点予測　1　12　17　20　31

ミニロト予測準備段階（3）と413ロト6の覚え書

2008-09-25T11:59:00.003+09:00

このところデータ作成や方法の模索に追われてまともに予測ができていない。今回の試行はセット球とパターンの相関について。
WEKAにて分類を試した結果、有効と思われる数値は出なかった。残念ながらまるで相関は無い模様。人によってはセットでの予測が有効だというけどM氏としてはセット球という属性はほとんど無視してもよいと考える。まだ試してはいないがロト6においてもおそらく相関はないだろう。
これは数字そのものについてではなく、あくまでもM氏の設定したパターンにおいての話し。
出目のムラについてはもちろん承知している。特定のセットにおいて出現回数の多い数字と、少ない数字、あるいはまったく出現なしというケースもあるか？
とにかくパターンとセットには相関がない。

ついでだが第４１３回ロト6の参考資料として以下の数字を記録しておく。

4回
02 06 15 16 24 27 30 33 　　　　　　　　
3回
04 10 13 17 19 22 26 35 36 42

第413回 2 14 15 26 35 37

これは過去25回の出現回数だ。そのなかで3,4回出現した数字をピックアップしてみた。
これを3回出現をベースに、できるだけバラバラに組み合わせると良い組み合わせができるらしい。結果は本日の19時ごろには分かるだろう。

正解したのは　2　15　26　35　の４個。１８分の4です。
14が５回、37が7回出現グループからそれぞれ当選した。今回だけ見れば確かに効果があるように感じる。場合によっては６個すべてこのグループに入る可能性もある。引き続き効果を追っていきたい。

ミニロト予測準備段階（2）

2008-09-23T12:17:00.002+09:00

Rにてパターンと出目の相関関係をみてみる。
当然の結果であるけど、第二、第三、第一の順に影響を受けやすい。
もっとも安定しているのは第五でありパターンによる出目の変化は少ない。
つぎに第四が安定している。言い方を変えると、第一、第四、第五を軸にして、第二、第三の枠に変化を持たせた選び方というのがベストな組み合わせ方ではないか？
大雑把な考えではあるが、最小の資金で最大の効果を考えた場合、第二、第三の枠に最も多く予想数字を入れるべきではないかと思う。
今度はWEKAにて枠別出現の分布をグラフで確認する。
と、ほぼ理論どおりの分布となっている。
しかし詳細に見ていくと必ずしもなめらかな曲線を描いているわけではない。つまり理論上ではもっと出ていいいはずの数字が極端に少なかったり、あるいは多かったりする。
いずれ綺麗なカーブを描くはずだというのは大方の見方ではあるだろうけど、いつそういう風なカーブになるというのだろうか？思うに将来も現状のような感じで推移していくのではないだろうか？急に凹んでいる数字が伸びたり、あるいは伸びてる数字がぱったりと止まったりはしなだろう。
M氏としてはほぼ現状のままの波で拡大していくものと推測する。だから出やすい数字はそのままの頻度で出るだろうし、出ない数字の頻度もあまり変わらない感じがする。

番台別のパターンを時系列でみる。
コレといった特徴も見出せず、ただ雑然とデタラメに並んでいるといった印象しか受けない。
だからこのデータから何か得ようとするのはどうも難しい気がする。次回にどんなパターンが来るのか？はいくつか選択肢をあげてシナリオを考えた方が現実的だ。パターン別に候補数字を選んでいくという方法だ。
すでにパターン別に過去履歴を分類してあるので、どの数字が何回出ているのか？については調べるのが容易だ。特定のパターンで特定の数字が複数回出ているのもあれば、同じようにまったく出ていないものもあって、どうもこのデータに関しては複数回出現しているものを選んだ方が可能性が高いという印象を受ける。ぴったりと一致しているものは非常に、というか、あるいはまったくないが、（笑）3個一致は多い。そして微妙に数字がずれているものも多い。時系列分析でもこの傾向はハッキリしていたんだけど、やはり中心みたいなものは存在する気がする。（出やすい＝集まりやすい）と考えれば。その周りを揺れているようなイメージだ。だからパターン分析は無意味ではないと思う。出ない組み合わせはこの先何回抽選しても絶対に出ない。また何回も出る組み合わせは今後も出続けるだろう。

ミニロト予測準備段階（1）

2008-09-19T15:39:00.002+09:00

当選数字を分類する。これは全体の傾向を把握するためである。
分類法は注目する要素によっていくらでも考える事ができる。今回はいきなり分割を始めるのではなく、考えられる中でも最も大きな要素からはじめて次第に小分割していく形をとってみる。最初に注目したのは第一数字。これが0番台か否か？
結果は圧倒的に0番台が多い。388例に対し　9　以上のパターンは　61例である。
これだけを見ても継続して買う場合は一桁数字を必ず1個は選ぶべきだ。長い目で考えた場合、確率と言っていいか分からないけど可能性としてはやはり上がるんじゃないか？

あまりに当たり前すぎて分析するのもバカバカしいが、（笑）大まかな組み合わせモデルとして3分割してみた。現実的な選択肢として以下の組み合わせを挙げてみる。
第一数字　0番台　10番台
第二数字　0番台　10番台
第三数字　0番台　10番台　20番台30,31含む
第四数字　10番台　20番台30,31含む
第五数字　10番台　20番台30,31含む

パターン1　　　0　0　0　10　10
以下pt　2　　　　　　　0　0　0　10　20
　　　3　　　　0　0　0　20　20
　　　4　　　　0　0　10　10　10
　　　5　　　　0　0　10　10　20
　　　6　　　　0　0　10　20　20　
　　　7　　　　0　0　20　20　20　
　　　8　　　　0　10　10　10　10
　　　9　　　　0　10　10　10　20
　　　10　　　　0　10　10　20　20　
　　　11　　　　0　10　20　20　20　
　　　12　　　　10　10　10　10　10　
　　　13　　　　10　10　10　10　20　
　　　14　　　　10　10　10　20　20　
　　　15　　　　10　10　20　20　20　

頻繁に起こる実際の組み合わせは上の15組だと思う。滅多に起こらない組み合わせとして第一が0番台または10番台ではないものがあるが、それは除外した。いつ起きるか解らない、つまり起こる確率の非常に低いものを予測しても意味が無いと判断、結果15パターンに分類することにした。
分析上データに欠損値があると上手く機能しないと言う理由から、実際には21パターンとした。
ここで改めて気付いた事がある。それは最低どの番台から何個選べばすべてのパターンを組み合わせる事が可能か？と言う事。
実際には自分が組むパターンのみで良いのだが、ある程度カバーできる最低の数ということで以下のように設定した。

0番台　×2
10番台×3
２０番台～×3
以上８個で332例、割合にして過去履歴の約70％程度を占める番台の組み合わせ（番台組み合わせの上位6パターン）を作る事ができる。これらのデータをよく見ていくと面白いことに気付く。それは特定のパターンで出にくい、または出やすい数字があるという事実。確率信者？に言わせればいずれ平均化して出現するだろうと言いそうなもんだが、M氏はそうは思わない。
パターン10、6、5は最も多く出るパターン。　　
第二勢力　　　　11、9、15
第三の勢力（笑）　　　　14、7、2 といったところ。
とりあえず予測の準備として経験値に基づいた生情報を得ることは無意味ではなかろう。知っていれば可能性の高い方を選べるから。あとは具体的に数字を選ぶだけだ。パターンに当てはめて組み合わせを考えれば出来上がりというわけだ。

第４１２回ロト6ゾーン予測

2008-09-18T10:41:00.003+09:00

Randumforestにて予測を行う。第一、第二枠を以下の条件で設定し、残り第三～第六のみ予測する。条件とは第一枠と第二にabcの3ブロックで出来る組み合わせのすべてを使うというもの。
したがってパターンは全部で6個となる。
aacfjj
abcgik
acdgik
bbceij
bcdeij
ccdhij
今初めてRにて上記のゾーン組み合わせに一致する抽選回を抽出してみたのだが、驚いた事に一致した件数はわずか3件のみ！ちなみにbcdeijで149、238、375である。のこり5組の組み合わせは皆無であった・・全体の分布から推測すると第一、第二そして第五、第六は比較的ゾーンが集中してるはず。それを踏まえてもう一度パターンを再考することにする。
スタート数字と同じように第五、第六も三つのゾーンですべての組み合わせを作る。すなわちijkで・・・
ii
ij
ik
jj
jk
kk
以上６個の組み合わせだ。第一、第二枠の６個の組み合わせと合わせると全部で36パターンとなる。今度もRにて該当する組み合わせを抽出してみた。4個一致するものとなると、それなりに例は増えてくるが、それでも未出現の組み合わせは存在する。今後回数を重ねれば当然それらも出現の可能性はあるが、ここはあえてより多く出ているパターンを選択したい。複数出るものがある一方、出ない組み合わせはやはり出にくいのだ。したがって未出現パターンは今のところ可能性ゼロとして削除する。
最終的に88組の当選番号が残った。パターンは27個となる。問題はこのデータをどう扱うか？

全回分の11分割データに第一、第二、第五そして第六のあらかじめ決めておいたゾーンをセット、Randomforest,Kstarの二つを用い予測してみた。スキームは他にも試してみたが正解率の高さから上記２個の数値に決定、偶然かどうかは判断できないが両者とも同じ結果を出してくれた。

abbgij が今回の予測ゾーンとなる。Rにて同じゾーンの出現状況を試してみると第348回が一件だけヒットした。
4　5　6　27　36　38　である。前回が　2　4　6　24　35　39　で非常に似ている。あんまり関係ないと思うけど。。一応予測ゾーンの数値を並べてみよう。
1　2　3　4
5　6　7　8　
25　26　27　28　
33　34　35　36　
37　38　39　40　

とりあえず直感で　4　6　8　26　34　37　かな。出現のリズムから　8　は×、　6　も×、　4　は◎。　したがってbからは　5　7　か？　26　は×、代わりに27で。　35が連荘可能性あり◎、36も怪しい○。37も引き戻し濃厚、39引き戻し激アツといったところか。
4　5　7　27　35　39
1　は次回が7回目となるのでもしかしたら出るかも？　2　も連荘可能性有りだ。3　はリズムからみるとたぶん無し。5　は要素が見られないから×、6は413回に要注意。7は要素なし、34はやや戻す可能性あり。

リズムからだと　1　2　4　27　35　39　かなり片寄った出目となる。前回から4個も引っ張る形となるがどうだろうか？せっかくのゾーン予測を無視することになるが、ハマリっぷりからみて要因が薄い？から仕方あるまい。
　
もしかして最後２個はこんな形？　35　37　と　37　39　？
いろいろ悩むが逆に考えてみると・・出現リズムというか引き戻しに関しては多くの人が公開されてるデータを参考にすることは容易に推測できる。自分もそうだから。だから同じ数字を怪しいと感じるだろう。したがって選ぶ数字も人気数字となりえる。今回はあえてそれらを外し、ハマリ数字も混ぜて直感で一口買いとしよう。ただしゾーンは予測どおりだ。

4　7　8　27　36　39　

追記

2　6　7　9　16　19　ボーナス　33

ゾーンは　abbcde　んー　abb　までは良かったんだけどね。一致は　7　のみ。これは偶然だな。2　と　6　に関しては怪しかったんだけど安易すぎて買えなかった。後半はまったく読めてない。この出目でキャリー無しとはな。並みの感覚じゃ絶対買えない並びだと思う。

第４７５回ミニロト予測

2008-09-16T15:55:00.002+09:00

過去２０回ほど遡ってWEKAの結果と実際の数値をテストしてみた。
どう見ても上手く機能していない。現状の方法では予測不能と判断、新たな試みを模索しないといけない。毎回買うことが当選の絶対条件だと想っているので、今回はまったくの勘で一口買ってみる。

6　13　17　20　27

行ったテスト方法は過去２回の履歴を用い、単純にあるスキームで計算させるだけ。おそらくデータ量を変えてみても満足のいく結果は得られないだろう。ただしWEKAでの予測はこれで終わりではない。与えるデータを根本的に変えてトライする余地は十分にあると考えている。
試行のひとつとして過去何回かの平均値をもとに次回予測をする方法を試してみたが、これも上手く機能しなかった。考え方は過去の平均値と出目の相関から次回を予測するといった感じ。
考え方の基本は「条件と結果」。いくつかの条件を属性として考え、その結果が実際の抽選結果となる。
平均値は条件のひとつの属性である。それとアップダウン。これは前回の出目と比較して次回は上がるか？下がるか？というもの。これも過去に遡っていくつかの条件とともに属性として扱える要素だと考えた。今のところ想い付くのはそれぐらいだね。

第４１１回ロト6予測

2008-09-10T10:28:00.003+09:00

作業手順

1、全回分のデータ（ゾーンデータ、セット含む）をCSVからARFFファイルに変換
2、変換されたファイルのnumericとなっている項目をすべてnorminalに変換する。
3、最終的にARFFそしてnorminalとなった全回分データを用いて、まずルールを出す。
4、つぎに各枠別に「もっとも目的変数の予測に寄与している属性は何か？」言い換えれば一番相関のある属性は？ということで計算させる。
5、最後に枠別にもっとも寄与する説明変数だけを使用したデータにおいて推測する。

上においては全回分となっているが何故かPCの容量不足で止まってしまった。なので直近10回分のデータを用いた予測数値を以下に記録する。（どれくらいのデータ量が最適か？については試行を重ねないと解らない）

使用スキームはマルチレイヤー

3　18　20　23　24　33　

ちなみに過去２回当選数字のみ（マルチレイヤー）での予測は・・・

8　13　20　27　28　33　

select attribute をせずに全回分データで予測した結果

J-48　1　13　17　30　33　43　
SMO　1　11　17　26　35　43　

全回分データでのゾーン予測

J-48　第一　Aかつa 1　2　3　4
第二　B　　c　　9　10　11　12
　　　第三　C e　　15　16　
　　　第四　D g　　25　26　27　28
　　　第五　E i　　33　34　35　
　　　第六　F k　　41　42　43

Best rules found:

1. zone11-1=a 182 ==> zone7-1=A 182 conf:(1)
2. zone11-6=k 141 ==> zone7-6=F 141 conf:(1)
3. zone11-6=j 141 ==> zone7-6=F 141 conf:(1)
4. zone7-5=F 131 ==> zone7-6=F 131 conf:(1)
5. zone7-6=F zone11-1=a 122 ==> zone7-1=A 122 conf:(1)
6. zone7-2=A 97 ==> zone7-1=A 97 conf:(1)
7. zone11-2=c 92 ==> zone7-2=B 92 conf:(1)
8. zone11-3=e 91 ==> zone7-3=C 91 conf:(1)
9. zone11-2=b 88 ==> zone7-1=A 88 conf:(1)
10. zone11-4=g 88 ==> zone7-4=D 88 conf:(1)

過去3回当選数字のみでの予測値
　
マルチ　7　16　19　24　35　37　
SMO　　 7　15　19　25　35　37　　　　　　　　　

第一枠がAの場合だった抽選回のみを抽出、仮に次回が第一がA、第六がFだとしてマルチで予測した結果は・・
ACDDFF
同じく第一枠がaの場合だった抽選回のみを抽出、仮に次回が第一がaだと仮定してマルチで予測してみた。
abbdjj

とりあえず撤退はないので今回は以下の数字で・・

5　13　20　24　35　41

結果と追記

2　4　6　24　35　39　B-34　24と35は過去3回当選数字のみでの予測値(マルチ）で一致したが、第一、第二、第三ともまるで見当違いとなった。第六についても予想外です。
今まで高精度だった過去2回当選数字のみでの予測値(マルチ）は全滅・・アルゴリズムは不変なので好不調の原因はデータそのもにあるのだろう。過去出目のパターンによってinstanseを変えるべきなのかも？

第４７４回ミニロト予測

2008-09-09T18:38:00.002+09:00

もうすでに抽選の最中であるが予測数字と使用データなどを記録しておく。
使用データは全回分。使用スキームと数字は以下のとおり。

MCC　2　7　15　20　28　
J-48　1　10　19　27　31　
SMO　2　7　15　26　28　
Bayse Net 2　7　15　20　28

買った数字は・・・　12　19　20　25　26
選び方はメチャクチャ（笑）とりあえずロト6でやってるやり方で出した数字をいろいろと眺めまわして、最終的に適当な感じ？で決めてしまった。過去記事を読み返し何かヒントがないものか考えてみたが、にわか思考？では良い考えも浮かぶはずもない。ちなみに上で示した数字は全部numericからnorminalへと変換してWEKAに読み込ませ、regressionでは使えないスキームも使用した結果である。

ミニロト傾向分析（1）第473回終了時点でのトータルです。

2008-09-08T10:52:00.002+09:00

ミニロトの主催者？である「みずほ銀行」が実際の抽選結果をどう取り扱っているのか？つまり何かツールを用いて専門の部署が分析とかしてるのか？についてはまったく解らないわけだけど、ひょっとして公正な抽選のために異常な偏り、つまり明確な予測可能な状態を避けるために何らかの対策を施すためのデータを得るために分析をしていることは大いに有り得る。ちょっと意味が解りづらい言い回しかもしれないが、イカサマではないけれど明らかなクセが出ないようにするという意味です。つまり大方の期待を裏切ってくれないと魅力ある宝くじにはならない。（笑）
分析とは関係ないことを述べましたが主催者の意図？（あくまで憶測）とは別に結果をみると明らかに傾向はあると思うんですけど。以下にWEKAでの傾向分析を記します。

Scheme: weka.associations.Apriori -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.1 -S -1.0 -c -1
Relation: mini-5bunkatu
Instances: 473
Attributes: 5
5分割第一
5分割第二
5分割第三
5分割第四
5分割第五

上から解説します。まず一番上が分析に用いたスキームです。Relationはデータの名前（笑）
Instancesはデータの行のこと。Attributesは属性です。

Best rules found:

1. 5分割第四=E 153 ==> 5分割第五=E 153 conf:(1)
2. 5分割第二=A 103 ==> 5分割第一=A 103 conf:(1)
3. 5分割第一=A 5分割第四=E 86 ==> 5分割第五=E 86 conf:(1)
4. 5分割第三=D 5分割第四=E 84 ==> 5分割第五=E 84 conf:(1)
5. 5分割第二=A 5分割第五=E 65 ==> 5分割第一=A 65 conf:(1)
6. 5分割第二=B 5分割第四=E 56 ==> 5分割第五=E 56 conf:(1)
7. 5分割第二=C 5分割第四=E 54 ==> 5分割第五=E 54 conf:(1)
8. 5分割第一=B 5分割第四=E 51 ==> 5分割第五=E 51 conf:(1)
9. 5分割第二=A 5分割第三=B 47 ==> 5分割第一=A 47 conf:(1)
10. 5分割第三=B 5分割第五=E 56 ==> 5分割第一=A 54 conf:(0.96)

途中でずらずらと計算過程？らしきものが出てきますが重要なのは最後の部分です。スキームによってはほんとに長ったらしいのが出てきます。
このスキームの場合、各属性の関係を上から重要なものから、つまり分類例が多いと言う意味において上から順に示してくれます。

Best rules found　文字通りベストなルールが見つかったというわけです。（笑）
日本語マニュアルを見てこの記事を書いているわけではないので、どこかに間違いや勘違いがあることを承知で見て頂きたい。
一応解説を。一例だけしておきます。

1. 5分割第四=E 153 ==> 5分割第五=E 153 conf:(1)

これはもっとも例の多いケースで、5分割第四=E 153　というのは5分割で見た場合、第四数字が　E　ブロックだった場合、第五数字も　E　だったのが全体で153例あるということを示している。当たり前だね。（笑）たぶんこんな風に見ていくんだろうけど、大きな組み合わせを考えるときには使えるかも。それに上で使用したデータは全体を通してのものなので、短期的トレンド？は反映していない。ごく当然のルールしか出てこないな。（笑）

下の数値は10分割ゾーンを数値にして相関係数を計算したもの。表の見方は縦と横、それぞれが交わる数値がお互いの相関度合いを表している。ちなみに計算に用いたソフトはRです。

X10分割第一 X10分割第五 X10分割第三 X10分割第四 X10分割第二
X10分割第一 1.0000000 0.1897637 0.4561763 0.2906758 0.6275653
X10分割第五 0.1897637 1.0000000 0.4227798 0.5926932 0.3057410
X10分割第三 0.4561763 0.4227798 1.0000000 0.7043353 0.6724843
X10分割第四 0.2906758 0.5926932 0.7043353 1.0000000 0.4860062
X10分割第二 0.6275653 0.3057410 0.6724843 0.4860062 1.0000000

第四と第三が一番高い数値となっている。だからどちらかを基に予測するとき、かなり高い確率で予測できるはず。

こちらはWEKAによる10分割と5分割を一緒に分析した結果です。

Best rules found:

1. 10分割第五=j 253 ==> 5分割第五=E 253 conf:(1)
2. 10分割第一=a 180 ==> 5分割第一=A 180 conf:(1)
3. 10分割第五=j 5分割第一=A 155 ==> 5分割第五=E 155 conf:(1)
4. 5分割第四=E 153 ==> 5分割第五=E 153 conf:(1)
5. 10分割第五=j 5分割第四=E 137 ==> 5分割第五=E 137 conf:(1)
6. 10分割第一=b 131 ==> 5分割第一=A 131 conf:(1)
7. 10分割第一=a 5分割第五=E 128 ==> 5分割第一=A 128 conf:(1)
8. 10分割第四=i 108 ==> 5分割第四=E 108 conf:(1)
9. 10分割第四=i 108 ==> 5分割第五=E 108 conf:(1)
10. 10分割第四=i 5分割第五=E 108 ==> 5分割第四=E 108 conf:(1)

こちらの方はやや使い物になるかも？予測の流れとしては、まず5分割で大枠を決めた後、10分割で緩やかに絞り込んで後、具体的な数字を出すという感じかな。考え方の基本は最大公約数的？で、もっとも頻繁に有りそうなパターンを見つけ出すというもの。予測というより経験値から有りそうだど予想する方法だ。局所的に限って言えば、次回来るかどうかは全くの未知数ではあるけれど、継続して初めて値打ちのあるやり方だと思う。
さて上のデータの話に戻るが、データでは左から右に結果が記されている。当然？かどうかは解らないが、細かい条件から粗い条件へと流れている。（たぶん正しい考え方ではないだろうけど）今後を予測する場合、逆に読んでも差し支えは無いように思える。なぜなら上の分類は実測値をただ分類しただけだからだ。類例の多いものは以後の抽選でも繰り返し再現されるであろうことは容易に推測できる。つづく。

予測とデータに関する覚え書きと第412回ロト6予測

2008-09-04T12:15:00.003+09:00

現状を省みると、どうもデータ作成に問題がある。WEKAは非常に優秀であるにもかかわらず結果がともなわないということは使用者に責任がある。(笑）そこで改めてWEKAの資料にあたるとともにロト予測における最適なデータとはどういう形か？ということについて記録しようと思う。

まず単純に「～の条件のとき」
　　　　　　　　　↓
　　　　　「～は、こういう結果だった」

というような形でどうだろうか？条件は複数でよい。過去の履歴から要素を選ぶ、あるいは創作？する方向で目的変数に寄与する因子と呼べるものを見出さないと先へ進めないような気がする。その際ストレートに履歴を使うのではなく、何かのルールに従って作り出した変数を用意しなければならない。

分析の方向は時系列ではなく分類になると思う。横軸での重回帰分析か？結果の出力としては単純に　yes or no という形がベストかなと。
例えば第一に a が出るかどうか？など。WEKAのexampleなどを見ると、「ある条件において～はどう振舞うか？」といったような予測の仕方が王道のようではある。では具体的にどんなデータをつくればいいのだろう？

1、過去のある時点において各数字　1～43　がどういう状態であったか？
2、あるいはゾーンはどうであったか？
3、？？？

要するに予測しようとしている時の状況を恣意的にファクターすること。予測するとき、ほとんどの人が無意識か、あるいは意識的に行っていることを何らかの数値に変換して横軸に並べていく作業。

ところでロト6　第４１２回から以降の予測にあたり、データの整理をしてみたい。過去から導き出される大前提というべきものを自分なりに探したいと思う。
まず11分割による組み合わせの状況から絞り込んでみようと想う。圧倒的多数の人が同じ事を試みているはずであるが、けっして無駄ではないはず。もっとも多いパターンは今後も突出して出続けるだろうという推測は間違っていないと思う。

411回終了時点で第一枠は aが183、 bは114、合わせて297回の出現。72％ほどは1～8の数字が第一数字として出現している。
これを基本としてさらに第六枠をjまたはkとし、残り、なか四枠を予測することを元型としてみる。ヒストグラムというのだろうけど、統計でグラフを見てみるともっとも片寄った出方をするのは第一枠と第六枠だ。これは数学的？にそうなるべきであって、でたらめな事ではない。言い方を変えれば安定しているポジションといえるだろう。
だからといって必ず揃って出現するわけではない。ここが非常にいやらしいところだ。だからできるだけ予測の的中可能性を高めるために範囲を広げるしかない。
今後第一枠は　a または b として、第六枠は　j または　k として固定してみようと思う。

さてWEKAの話しに戻るが、今回は　R　にて上で述べた固定ゾーンを過去履歴からすべて抽出し、そのうえで改めてWEKAにて中四枠のみ予測する方法をとった。
使用スキームはrandomforest.選んだ理由は正解率が抜群に良いからだ。ただし過去データにぴったりくるというだけで、未来に関しては保障されない。（笑）
結果はbdhiで以下に数値として羅列しておく。

（1　2　3　4）　（5　6　7　8）　（13　14　15　16）　（29　30　31　32）　（33　34　35　36）　（37　38　39　40）　（41　42　43）

　2　8　11　22　38　41←過去二回のマルチ

以下は固定の組み合わせだ。たった二つのゾーンであるが、56通りにもなる。

（1　2　3　4）×（37　38　39　40）
（1　2　3　4）×（41　42　43）
（5　6　7　8）×（37　38　39　40）
（5　6　7　8）×（41　42　43）

また追記で。

第４１０回ロト6予測

2008-09-03T15:44:00.005+09:00

まず6分割でのゾーン予測から。
方法としてWEKAでrandam forestというスキームを使用。データは第一回から409回まですべて使用。
「直前の当選データが次回に対して影響を与えている」という考え方で予測対象とする属性？（つまり何を予測するのか）を順次入れ替えて予測してみた。

AACDEE

A(1,2,3,4,5,6,7)　B(8,9,10,11,12,13,14)　C(15,16,17,18,19,20,21)　D(22,23,24,25,26,27,28)
　E(29,30,31,32,33,34,35)　F(36,37,38,39,40,41,42,43)

予測されたデータの見方というか指標はスキームによっていろいろあるが、今回上記を採用したのは、「正しく分類されたinstanseの数」？という指数が非常に良好だったから。理解不足？かも知れないが。
同じように11分割でも予測してみよう。

1　3　6　7　9　10

１(1,2,3,4)　２(5,6,7,8)　３(9,10,11,12)　４(13,14,15,16)　５(17,18,19,20)　６(21,22,23,24)
　　７(25,26,27,28)　８(29,30,31,32)　９(33,34,35,36)　１０(37,38,39,40)　１１(41,42,43)

まあ、とりあえず最初の試みでもあるので様子見といったところか。
当然というべきかどうか解らないが、両方の属性に一致する数字は第一、第三、第五か？

次にJ-48というスキームで6分割ゾーン予測を行った結果を示す。使用データは上と同じ。

ACCEFF

正解率は大体65％～75％となった。この数値の示す意味は作成された予測モデルで与えられたデータを分析した場合、正しく分類（予測）されたケースが全体の何パーセントにあたるか？を表している。
だから上に示したゾーンの組み合わせは大体65％～75％の確率で正解するだろうと言えるはず。
同じように11分割を予測した結果が以下である。

1　3　5　7　9　11　

両方あわせて考えてみると・・・

第一Aかつ1＝　1　2　3　
第二Cかつ3＝　該当なし（強いて挙げると　9　10　11　12　15　16）
第三Cかつ5＝　17　18　19　20
第四Eかつ7＝　該当なし（これも強いて挙げるならば　25　26　27　28　29　30　31　32　33　34　35）
第五Fかつ9＝　36
第六Fかつ11＝41　42　43　

となった。これだけ挙げても当選数字を全部拾うことがはたして出来ているのか？疑問だ。

最後に過去2回の履歴をマルチで予測した数値を挙げておく。

9　16　20　27　29　34　

最終的にこれらの数字から選ぶわけだが一応、軸数字として　16　20　27　を挙げる。
第一は　1　2　3　のどれか。
第五は　36
第六は　41　42　43　のどれかとする。

予測の追記です。

使用データ　　第1回から第409回までのすべての履歴。
11分割データの数値を数字からa~kまでの記号に変換した。予測方法は追記前とは変えて、単純に現在までの流れから次回を予測する方法とした。使用スキームとゾーンの組み合わせは以下のとおり。両スキームでの重複ゾーンは　c e g　と　j　の4箇所。

SMO =　b c e g h j
AttributeSelectedClassifier = a c e g i j

２(5,6,7,8)３(9,10,11,12)５(17,18,19,20)７(25,26,27,28)　８(29,30,31,32)１０(37,38,39,40)　
１(1,2,3,4)３(9,10,11,12)５(17,18,19,20)７(25,26,27,28)　９(33,34,35,36)１０(37,38,39,40)　

参考にLinearRegressionでの予測も示しておく。

6.572　12.868　18.748　25.046　31.543　37.523

追記の前の予測とはまったく違う結果となってしまって、もはやどれを信じていいの？といった状況。
ちなみにweka でのLinearRegressionは赤池AICを評価基準にしてattributeを絞り込んでいるので、単純な重回帰よりも優れているらしい。赤池AICというのは聞いたことがあるけど、どういうものかは理解不能（笑）。ただ目的変数に寄与するものに重きを置いて計算するのは確かなようである。（変数の個数が異なるモデル間でのモデルの良し悪しを比較するために用いる規準）

今回はゾーンとLinearRegressionで得た数値を見比べて数字を組合わせてみることにする。

7　12　19　25　32　38　　これでどうだろうか？何のことは無いほとんどそのまま！(笑）ただしゾーンはSMOで予測したものです。

追記その2

第二を　13　にしようか迷っている。まあ初回なので様子見で、ズバリとは言えないまでも各枠+-1ぐらいまで接近できれば成功としたい。またこれも初めての試行だけどLinearRegressionでのzone11予測も記しておく。（数字で表しているのはスキームによって属性が制限されているためである。numeric と　norminal だっけ？）

結果　　2　4　5　7　8　10　端数は四捨五入とした数値だ。このスキームでのsummaryを見てみると予測精度が各枠で違うのが確認できる。第一から順に　0.619　0.8086　0.8443　0.8146　0.7776　0.6337
　となっている。この結果はいつもの方法で予測していた結果と不思議と符合している気がする。過去2～3回ぐらいの履歴を用い、マルチもしくはSVMあたりで一括して予測した第二、第三、第四あたりが特に精度が高いなと感じていたからである。（まったくの我流ではあるけれど）そういうわけで全然まとまらない（笑）わけだが。使えるかどうかは今後しばらく様子を見るしかない。

追記その3　結果を見る。

2　12　16　20　42　43　ボーナスは　28
A　B　C　C　F　F
a c d e k k

やっぱり過去２回データを用いたマルチ予測は精度が高い。ピンポイント予測でずばり2個正解していた。（20、16）いつもは確度の高い第二が、なぜか予測できなかったが。
今回特に目立ったこと、それは　J-48　を用いたゾーン予測からの一連の予測の結果が非常に良好だったことである。今後の予測の方向性を示してくれたとも言える。
偶然かも？という疑念もあるが、全部で28個挙げた中からボーナス数字も含め（ボーナス数字は真性の偶然です。）本数字がすべて出現した。「28個も挙げれば全部入るだろ？」と思う人はたった６個の削除でも失敗することがあることを忘れないでいただきたい。とにかくM氏にとっては画期的！な事なのだ。
ただ残念なのは　J-48を使った一連の予測でゾーンと各枠、そしてマルチレイヤーでの各数値がシンクロしていない！ということだ。具体的に言うと、せっかく挙げた「正解じゃないか？」という数字をゾーンやら枠に気を取られ、捨ててしまったということだ。これは非常にもったいない。予算もあるし、購入を検討するときの自信の如何にもよるのだけど。

今回のまとめ

過去2回データでのMultilayerPerceptron ◎　ただし第二～第四まで
J-48でのゾーン予測　○　ただし　分割の合わせ技（分割は恣意的に決めればいいんじゃないか？）
最後に分析結果を総合して自身で決める。

第４７3回ミニロト予測

2008-09-02T09:45:00.003+09:00

10分割ゾーンの予測は・・・

2　5　6　8　10　

したがって第一から3個づつ書き出してみると・・・

4　5　6　13　14　15　16　17　18　22　23　24　28　29　30　31　

方法は過去3回のゾーンデータをnumericとしてARFF形式ファイルにて作成。
スキームはマルチレイヤーで予測してみた。

一方でいつものように過去2回のデータでSVMにて予測した数値は・・・

9　16　19　22　26　

今回は勘で買ってみるとしよう。

6　16　18　24　29

以上。以下は結果です。

第473回 04，05，18，20，26，(03)

ゾーンは第一、第三のみ正解ですか・・・トホホな結果となりましたね。
SVM予測の方は第六のみ正解、第三数字も良い感触です。新たな良い分析法もよく解らず、試行錯誤している現状、なんとかブチ破るべく努力すべしだな。
しかしゾーンを外すとまったくの激ハズレとなりますね。ピンポイント予測で外すのとは感覚がまるで違う。惜しいというような感覚がまるで無い。（笑）ゾーンに関しては分析の余地がたくさんありそうな気がする。今までほとんど手付かず状態だった。
ところでWEKAのスキームにはたくさん種類がある。なかでも使えそうなのは分類のジャンル。ピンポイント予測では主に回帰分析が中心でした。regressionというヤツです。それとは別にtreeというのがあります。
これは決定木と言われ、因子のつながりをグラフィックで表してくれるものです。
理解に間違いがあるかもしれませんが、組み合わせを考える時に使えそうな予感がします。
あくまで確率的というか統計的に、ということですけど。したがってピンポイントでずばり数字を出してくれるというわけではない。例えて言うと横軸です。時系列を縦とすると横なんです。
予算に余裕のある方には有効な考え方でしょうな。

第４０９回ロト6予測

2008-08-28T11:59:00.003+09:00

過去２回の履歴をSVMで計算。
過去３回の11分割データから同じくSVMで予測。そして過去２回のゾーンデータに予測したゾーン数値を付加し、なおかつ過去２回の当選データといっしょにSVMで予測した。
結果としてなぜか過去2回の当選データだけで予測した数値とまったく同じとなった。

12　19　21　29　34　35

ただし第六だけは意図的に　36　から　35　とした。
やっぱり計算どおりの　36　のままで。

追記　結果

6　13　17　27　28　36　B-33

んー・・　36　のみ正解という結果。珍しく第六が正解したけどこの兆候は今までのやり方では見られなかった。前向きにとらえれば、このやり方には一定の評価を与えてもいいかも？
第二、第三、第四は過去2回のデータで予測、第五、第六はゾーンデータを付加したデータで予測する、というような変則パターンで次回もやってみようか？
ざっと振り返ってみると、一番難しいと感じるのは第一数字。
何回前に出た数字か？というようなデータを見てみると一番荒れてると感じるのが第一なわけで。
どうしたものか？

第４０９回ロト6予測

2008-08-27T18:45:00.003+09:00

今回の試みは・・・

各枠で何回前に出た数字が当選したか？
これをキーワードにデータを作成、WEKAで予測してみる。ちなみに今回作成したデータは過去３回の履歴を対象にしている。

シュミレーションの結果は　13　5　5　7　4　12　・・・

おっと大事な事っていうか基本的なことを忘れていた。それは元になったデータが枠を意識したものではないということ。だから候補となる数字はもっと増える。困った・・・

ついでだが直近２回のデータでも「何回前に出た数字か？」を予測してみた。
17　3　4　6　2　16

例によって過去２回のデータで予測した数値も記録しておく。
12　19　21　29　34　36

またまた何の根拠もないが、大雑把な推測だけれど予測回も同じような傾向だとすれば上記のような出方をするのではないか？
過去2回の結果をもとに実際の数値を書き出してみよう。矢印の右側が枠別にふさわしいだろうという数字だ。
10　15　18　30　31　37　→　10　15
　1　　2　 4　16　36 37　→　　16
6 13 19 20 30 31　　→　　19　20　30
8 10 13 20 24 33　→　　24　33
11 18 19 30 37 39　→　　30　37
7 18 27 37 38 43　→　　37　38　43　

ちょっとおかしな事になってるが・・どうしたものか？
12　19　21　29　34　36　がピンポイント予測だが、なぜか上で選んだ数字と似てる気がしないでもない。
というわけでまとまらんね。

第４７２回ミニロト予測

2008-08-23T19:21:00.003+09:00

使用データは過去２回の履歴のみ。
今回も2パターンで予測した。

ゾーンデータを付加した値も、過去出目だけで予測した値とそれほど変わらなかった。
と言っても方法は枠別ではなく、一括して予測する方法ではあるが。

端数を恣意的に処理した数値を以下に記録する。

12　16　21　27　31　予備として第五と第六にそれぞれ　26　と　30　を挙げておく。

今回はシンプルに以上。

結果は　4　15　17　20　21　B-3

上手く機能してないね。どうもロト6とミニロトは同じ考え方では予測できないような気がする。
何か違う。一応、一致している数字もあるんだけどねぇ。

第４０８回ロト6予測その2

2008-08-20T10:47:00.005+09:00

今回のミニロト（471回）の結果を踏まえて再考してみることにする。
ロト6予測においても、おそらくゾーンデータを付加する方法は失敗に終わるだろう。そこでまず従来の方法によって候補をリストアップしてみる。使用データは過去3回の履歴である。

5　10　14　21　34　35　
6　11　14　22　34　36　

つぎに念のため過去2回データで同じように候補を出してみよう。

6　10　12　23　37　38　
6　10　12　23　37　38　

数値は微妙に違うがフォームは良く似ている。
予測数値は足して2で割ったような感じである。というかそのものか？

今回の予測にあたり、過去記事を少し読み返してみた。
考えを整理したかったからであるが、まだまだ試行が足りないし、WEKAに対する理解もまったく不十分な現状では、自分の軌跡を確認できるのみである。
それでも少しは前進してるのか？

10　12　23　を仮に当選したものとして残りの数字を予測してみよう。条件は過去2回のデータで同じスキームとする。
結果はまったく同じとなった。当然か。

考えた結果、今回は枠別にそれぞれデータを用意して予測してみる。
肝心のデータだが過去履歴を使うのは同じ。内容は当選数字のみとする。
詳しい書き方やデータの与え方は非公開とする。
使用スキームは片っ端から使うこととする。意味がよくわからないので、結果をみてから考えるなり、調べてみるということで。

とりあえず試行結果より数字を出してみよう。
まず第一数字、　1　と　2　のふたつ。意外な数字だ。使用スキームは非公開。
第二は　12　第三は　19　第四＝　14～17　と　19～22？　第五は　34　第六は　39　かな。　

データの与え方はいつもと違って枠別に予測をしたわけだけど、結果的に従来とよく似た数字が選ばれるケースが多くあった。そもそも与えるデータ自体はまったく同じなわけだから当然といえるだろう。
それにしても予測に使うスキーム、アルゴリズムでかなり予測数値は変わる。

現状やってることの意味は「過去の出来事が次の結果に影響を与えている」ということを前提にして回帰分析？を行っているわけだ。いや、ちょっと違うか？
時系列じゃなくて、条件だ。
つまり条件設定だ。「過去出目がこの数値の場合、この枠はこうだった・・」という考え方。
ちと安易な考えか？
またしても時間切れで　2　12　19　14　34　39　ということで・・

追記

12　20　23　28　31　32　B-39

まあ、正解がひとつでもあったということで少しほっとした。だが20番台で三つも出たことで、大ハズレという結果、そして相変わらず第五、第六はまったく読めてない。第一も・・・。
偶然にも過去２回のデータでの予測では１点予想で２個正解している。ボーナス数字はいつものように偶然だ。
んーいまだ決定打が見出せない状況。

あれ？あとで気が付いたのだけれど、その1予測で最初に出した数字の第五、第六が正解している。
偶然かもしれないが今までこれらの枠が正解したことはほんとに例が少ない、というか皆無かもしれない。
今回はキャリーしたことからも、予測は難しかったのか？それでもゾーン予測を付加したこの予測では見事にこの連番をはじきだしている。
もしかして有効打となり得るのか？

今回の整理

過去２回のデータでの予測・・・第三、第四が正解。
過去３回のデータで11分割ゾーン予測値を付加して予測・・・第五、第六が正解。

第４０８回ロト6の予測その1

2008-08-19T14:32:00.003+09:00

今回の予測方法は・・・
過去3回の11分割ゾーンデータから次回ゾーンを予測。
その結果を従来の予測データに付加し、予測するというもの。
使用スキームは上段がマルチ、下段がSVM。
4　9　15　18　31　32
5　10　15　19　31　32

以下は従来の方法での予測値。
使用スキームは上と同じである。

5　10　14　21　34　35　
6　11　14　22　34　36　

大きく違うのは第五、第六の数値。付加したゾーンの数値が影響を与えているのが確認できる。
とりあえず現段階では　4　9　15　18　31　32　を採用するつもり。

第471回ミニロトの予測

2008-08-19T11:44:00.003+09:00

予測方法

過去10回のセットと10分割そして5分割のデータを使用し、まずこれらを予測してみた。
そして計算結果を新たにいつものやり方に付加し、過去3回の履歴をもとに予測しなおす。
スキームはSVMregとマルチレイヤー。

とりあえず　7　9　14　（23　24）　26　という結果・・・

以下に比較のため過去2回の履歴だけで同じスキームによる予測を示す。

8　12　17　23　25　←いつもの方法による予測値。

2.9　4.4　6.2　7.6　9.1　←　これは10分割でのゾーン予測値。過去10回分のデータをWEKAで計算したもの。
単純に係数　3.1　を掛けてみよう。

8.99　13.64　19.22　23.56　28.21

四捨五入すると・・・　9　14　19　24　28

ついでに直近3回データで10分割ゾーンの予測をしてみた。
結果は・・
3　4　6　8　9　
これは適当に端数を調整した数値だ。この結果から数字を拾うと以下のようになる。

7　8　9　10　11　12　16　17　18　22　23　24　25　26　27　

あまり候補を出してもどれを重視すればいいのか？解らなくなる。

今回は最終的に以下の組み合わせで勝負です・・・。
予測方法は　10分割とピンポイント予測の合わせ技。
過去3回の履歴よりまずゾーンを予測、そのあとピンポイント予測においてゾーン予測値を付加し、いつものようにスキームを選び計算させた。
　8　11　16　24　26　

追記　結果と反省

13　17　20　23　30　B-28

やっぱりゾーンデータを付加する方法はあまり良くないね。
従来の方法での予測のほうが結果としては良い。何の根拠もないけれど、今までの経験値？から判断すると、まず直近2～3回の過去当選数字から予測させる。それを基に第一および第五あたりを再考するのがベストか？

第４０７回ロト6結果と検証

2008-08-14T19:44:00.003+09:00

当選数字
11　18　19　30　37　39　B-38
買い目
3　8　12　18　31　36

というわけで正解は１個という結果に。
全体的には20番台抜けという大きな流れのまま今回のキャリーは終了した。

偶然かもしれないけど1つずれの数字が三つも出現した。前向きにとらえれば「いい線いってるかも？」ってな感じかね？
予測方法は過去3回履歴のみ使用でスキームはいつもと同じ。
０番台抜けというのは、今のやり方では絶対に予測結果としては出てこないパターンではある。
というのは、どうもいつも使っているスキームはリニアな予測をするようで、たまたま線形的な結果である場合は近い数値をだす。またその逆でノンリニア的結果の場合は大抵の場合、激ハズレとなる。
WEKAの各種スキームについては、まだほとんど無知といってもよいレベルなのでいい加減なことは言えないのだけれど、非線形的予測というのはあるのだろうか？

第407回ロト6の予測

2008-08-14T02:40:00.002+09:00

3　8　12　18　31　36

今回は単純に過去3回の履歴だけで予測する。
使用スキームはマルチとSVMregのみ。結果はどちらも良く似た数値で、適当に端数を処理した数値が上記6点である。
ここ最近は特徴的な出目となっていて、例えば20番台が無い、小さい数字と大きい方に2極化するなど。
そういうわけで予測も必然的にそういった流れに沿った数値となった模様。

どうもゾーンやセットというのは急ごしらえの方法では上手く機能しないようだ。
現状では「相関があるのが当然であろう」という考えに基づきデータ作成を引き続きしようかなという段階で。
ただゴチャマゼ状態のデータでスキームを上手く機能させる方法がよく解らないというのが正直なところではあるね。

第470回ミニロトの結果と検証

2008-08-13T19:24:00.004+09:00

11 15 22 30 31 B-14　という出目に対して
　予測は・・・
4　7　12　17　22

結果は　22　のみ正解でサッパリだ。
やはりどこかやり方が間違っている。いや方法だけではないな。
ざっくり言えば今回の予測方法では当てることは不可能。奇跡的？に一つだけ合ってるけど、おそらくマグレでしょう。
今はゆっくり考える時間がないので与えたデータの中身や方法については後ほどまたアップすることにする。

第４７０回ミニロト予測その2

2008-08-11T22:24:00.001+09:00

まずは使用データの説明から
今回は過去3回の履歴を使用。新しい試みとして、その1で予測しておいたセット球予測と10分割ゾーン予測データを付加した。
使用スキームは左の列がマルチレイヤー、右側はSVMregとした。

4.549　　　　5.15
5.535　　　　6.298
12.955　　　12.97
22.512　　　21.035
26.354　　　25.45

比較のため今までのやり方での数値も記しておく。

使用データは過去３回の履歴のみ。

4.208　　　　4.33
6.561　　　　6.332　
12.724　　　12.666
17.997　　　18.337
23.058　　　22.999

とりあえず計算結果を見てみると明らかに違いが解る。
新たに付加したデータが確実に影響を与えているのが確認できる。あとは、どう判断すればいいのか？だ。

もうひとつ検証のためにデータを追加しよう。それはセット球予測と10分割でのゾーン予測だ。
その1では過去40回という非常に長いスパンでWEKAにデータを与えた。今回は超短期予測で両予測を行い、その結果を先の過去3回の履歴データに付加して予測することとする。

1、準備段階・・過去3回のデータでセット球および10分割ゾーン予測を行う。
2、準備段階で計算した結果を従来の枠別数値予測法（従来のやり方）に付加し、新たに予測を行う。
使用スキームは左側がマルチ、右側はセットのみSMO、ゾーンについてはSVMregとした。

セット球　C　　　C
1.946　　　　　　1.526
2.282　　　　　　1.602
4.623　　　　　　4.883
6.28　　　　　　　5.715
7.977　　　　　　8.046

つぎに上のデータを付加して新たに予測した数値を下に記しておく。

まず過去3回のセットと10分割ゾーンデータをマルチで計算したデータを付加し、再度マルチで計算した場合。

4.391　7.273　12.332　17.48　21.344

つぎは同じデータでスキームをSVMregにしてみよう。

4.509　7.202　12.43　17.484　21.643

今度はSVMregでのデータをマルチとSVMregで計算してみる。

3.395　5.856　12.445　16.71　21.487
3.805　6.189　12.529　16.88　21.791

上がマルチで下がSVMregである。

ここらでちょっと整理してみたい。

従来の方法・・目的変数は5個。全部の数字を一度で予測する。説明変数は過去の当選数字のみで、枠別に直列に配置したデータを使用。

今回試した方法・・・上と同じく目的変数は5個。ただし説明変数としてあらかじめ予測しておいたセットおよびゾーンの数値を予測回に並列に配置したデータを使用。
準備段階で使用するスキームと最終予測で使用するスキームを変えることができる。

さて肝心の予測であるけど、感触としては直近のデータのみを使用した後者の方が経験上、正解に近い気がする。
よって今回は準備予測データとしては過去3回のセットおよびゾーンデータを採用する。

4.391　7.273　12.332　17.48　21.344
4.509　7.202　12.43　17.484　21.643

3.395　5.856　12.445　16.71　21.487
3.805　6.189　12.529　16.88　21.791

上記の数値を見比べるとおぼろげに今回の予測数字が見えてくる。

3　4　5　6　7　12　13　16　17　21　22　　が候補となるが、このままでは再現性もないし結局は勘の勝負となってしまう。どうしたものか？
今回は自分なりにルールを決めてそれに従うという方法を取ってみたい。そうでもしなければ検証できないし前進できないような気がする。

ルール・・すべての数値を四捨五入し、複数かぶった数字を有力候補とする。

4　6　7　12　17　21　22

ルール2・・同数の場合は従来の方法で出した数値を加味して数字を絞ること。

したがって今回は・・・

4　7　12　17　22　とします。

第４７０回ミ二ロト予測　その1

2008-08-08T22:47:00.001+09:00

今回の予測手順

1、使用データの仕様について

過去40回の過去履歴を使用。各数値は以下のとおり。

まず抽選に使われたセット球、　当選数字の10分割表での第一枠から第五枠までの出現ゾーン、同じく5分割表での第一枠から第五枠までの出現ゾーン、以上全部で11個の要素を各列の要素名とし、遡ること40回分の表をエクセルにて作成した。

以上で第一段階の準備完了。

2、スキームの使用状況。

WEKAでは目的変数の形式？（名義尺度とか量的尺度あるいは順序尺度など）によって使うことのできるスキームが制限される模様。したがってCLASS（目的変数のこと）を変えるたびにスキームを変える必要がある。
こういった事を避けるためかどうかはよく解らないが、目的のスキームを使用するために尺度の方を変換する方法もある。

今回はデータの尺度は初期設定のままとし、目的変数が数値の場合とABCのように名義の場合とでスキームを変える方法で予測してみることとした。

3、予測結果

今回は、初めて臨む予測方法であり、自信は全く無いが後々の検証のために、ありのままを記録しておく。

第４７０回使用セット球予測は　B
5分割でのゾーン予測　　　A　B　C　D　E
10分割でのゾーン予測　　1.106　4.232　5.828　7.691　9.608

セット球予測に使用したスキーム　SMO
ゾーン予測5分割　　　　　　　　　　SMO
ゾーン予測10分割　　　　　　　　　SVMreg

10分割でゾーン予測数値が妙なことになっているが、現状ではこのままとして解釈したい。

概観後記

今回の5分割でのゾーン予測は意味がない（笑）全部対象。。アホかいな。
10分割での小数点以下の数字は一応重み付けとして含みを持たせてみたい。
もしかしたら過去40回のデータ取りというのは適切ではないかも知れない。もっと短期が良いのかも？
ただ数値の尺度が名義の場合の予測法がよく解らない。（決定木あるいは樹木モデルというのか、そういうモデルで考えるのがいいのかな？）
因子というキーワードがあるが、これはおそらく説明変数のこと。当たり前じゃね？
WEKAではごった混ぜのデータから因子を探すこともできるようなのでもうチット勉強せなアカンね。

　

第406回ロト6結果検証

2008-08-08T11:59:00.002+09:00

抽選結果

1　2　4　16　36　37　ボーナス　40

買い目

4　11　16　19　28　37　

というわけで　4　16　37　の三つが正解という結果に。
第一数字と第二数字の　1　2　はどうあがいても計算からは導き出せない結果となった。
また第五、第六で非常に近い数字が二つのスキームでの予測から出現したことも珍しいな。

5等に当選したことは素直にうれしい。
だが今回の当選には必然性というか再現性がない。通常の予測法であればおそらく1個か2個しか正解してないはず。
いちど予測した数字から、比較的近い数値を示すことの多い枠の数値を、再度WEKAに投入した今回の方法は再現性に乏しい。その場かぎりでなら使い道もあるかもしれないが。
皮肉にも再投入した数値は全くの激ハズレである。（笑）

ここ何回か同じような方法で予測してきたわけだが、客観的に見て全体を総括すると、どう判断されるだろうか？

まずWEKAに与えるデータについては、過去２回から3回の当選履歴を使用している。そして予測モデルにはMultiLayerPerceptron と　SVMreg の二つを用いた。
結果は正解がゼロから３個まで。予測に用いた数字の総数は、1回の予測につき、およそ7個から8個ぐらいか？

客観的判断というのは自分では難しいが、かなりイケテル気がする。正解がゼロの時でも、実は隣数字であったりした事も多々あり、ハズレの内容を評価するとしたら「かなり惜しいハズレ」といえるものもあった。
まだまだ先は長いが、試さなければならない事はたくさんあるはず。何はともあれ今回の当たりで弾みをつけたい。ちなみに１点購入での当選は初めてである。

第469回ミニロト結果検証

2008-08-07T15:48:00.002+09:00

5　9　12　16　19　ボーナス　3
8　9　10　15　17　18　26

上が当選数字で下がWEKAで出した数値を小数点以下、四捨五入した数値である。
一致したのは　9　のみで残りはハズレ。
第五数字として計算した　26　は大きく外れた。たぶん出目のパターンとしては異常でしょ？
あと目に付くのは　15～19のゾーン。好意的に見れば惜しいとも言えるけど、ハズレはハズレ。
WEKA予測が有効かどうか？判断できないな。
ただピンポイント予測（一点予想）で機械的に正解が出たことについては少し満足です。
次回はミニロトでもセット球情報などデータを変えて予測してみたい。

WEKA予測にはどんなデータが有効なのか？

2008-08-07T14:20:00.002+09:00

現状では過去履歴、つまり当選数字そのものを使ってWEKAに読み込ませ、predictを行っているだけ。
説明変数については、いろいろ考えを巡らせているわけだ。

次回からになると思うが現在新たにデータを作成中で、検証のためにすべて隠さず備忘録として記録していくつもりだ。
とくに目新しい変数はなく、どれもおなじみのデータばかり。以下に名義尺度？を列挙してみる。

セット球
7分割
11分割
3回ぐらい前までの各当選数字

考えを文章でまとめてみる。

「どのセットが使われたとき、どのゾーンから、どの数字が選ばれたか？」

これを各枠別に予測用データとして作成する。
こういう考え方で予測している人は想像するに圧倒的多数であり、誤解を恐れず言うならば非常にイージーな方法であろう。
だけどM氏のやってる事と決定的に違うのは、そこに、予測に主観、希望的観測？直感？などなど・・が一切入り込まないということ。（やり方によって入る場合もあり）

言い方を変えれば、データそしてアルゴリズムが同じならばいつでも過去の予測を再現できるということであり、違った予測方法を何度でも試行、そして検証できることだ。
だが直感とかシンクロニシティなど俗にオカルトと呼ばれる事象、考え方は否定しない。
むしろそれらに対しては「この世には何かしら未知の力が働いているにちがいない」という理由無き？確固たる信念がある。
ただ唯一残念なこと、それは、ロト予測に限って言えば再現性がないということに尽きる。
M氏の目標は高額当選ではあるけど、予測モデルをつくる目的もある。だから当てたからといってそれですべてが終わるわけではないのだ。実現不可能かもね。

というわけで早く新たな試みをやってみよう。

WEKAによる第406回ロト6の予測

2008-08-05T23:06:00.003+09:00

まずはいつものように過去3回の履歴データをマルチレイヤーとSVMregにぶち込む。

4.884　　　5.667
11.293　　11
16.11　　　15.336
19.118　　19.332
27.592　　26.664
36.796　　35.669

左がマルチ、右がSVMである。上から順に第一～そして第六数字となった。

いま仮に第406回で第二数字に　11　そして第四数字に　19　が当選したと仮定してみる。
そして、もう一度WEKAに同じスキームで計算してみた。
結果は以下のとおり。

4.387　　　4.4
11　　　　　11.497
16.309　　16.334
19　　　　　18.98
27.847　　27.867
37.099　　37.399

結果はわずかに変化してきた。
第一数字がやや小さい方にシフト、第三、第五はやや大きく、そして第六も大きい方にシフトした。
このことから推測するに、確かに与えたデータ、つまりは各数値は目的変数に対して相互に影響を与えている。「もしココがこうであればアソコはこうなるはず・・」というように自ら作成した予測モデルに従って微妙に数値を変化させている。

そもそもWEKAに興味を持ったのは決定木というのかな？脳神経（ニューロンとシナプス）の働きをコンピューターで再現？するという人工知能の分野にいたくそそられたからである。
毎回「ああでもない・・こうでもない・・」と予測しても再現性が低いでしょ？
一発当てればいいじゃん？という想いと不思議に対する探究心の両方があるわけで。

アカデミックとは無縁の無学、そしてウェブからだけのうすっぺらな知識のM氏こと私が言うのもまったく説得力がないが、これらは重回帰分析の一種らしい。
簡単にいうと説明変数がひとつだけのものを単回帰分析、複数のものを重回帰と言うのだそうな。

しかもいまWEKAでやってることは目的変数も複数であり、M氏のやってることはいったい何なのか？
という根本的な疑問があるわけで。（笑）
本来なら（ウェブでの教科書的な方法のこと）説明変数をズラリと並べ、最後の列に予測すべき目的変数をもってこなくてはならないはず。
要するに枠別にきちんとデータを揃えて（その数字が選ばれた時の条件等）目的変数を予測すべきなのではないか？

というわけで非常にズボラなやり方ではあるな。（笑）
まあこのブログは個人の記録、検証のためでもあり（参考に見てる人は皆無であろう。できれば役にたちたいという気持ちがあるのも事実。）気長に続けるつもりだけど、いつの日か勝利の雄叫びを挙げてみたいと夢想する次第。

今回は・・・
4　11　16　19　28　37　　を買ってみます。

WEKAによる第469回ミニロトの予測

2008-08-04T19:28:00.002+09:00

使用データは過去3回の当選履歴。
以下の数値はスキームSVMregでの結果。設定はいずれもデフォルトのままです。

7.674
8.674
15.241
18.004
26.331

次はmultilayerPerceptronでの結果です。

8.746
9.746
15.34
17.317
26.253

これらの数値から大雑把に数値を拾ってみよう。

まず第一、第二では　8　9　10　あたりが怪しい。
第三は　15　
第四は　17　18　
最後の第五は　26　辺りか？

これらの予測は与えるデータ、例えば過去履歴の回数を変えるだけで変化する。
いわゆる線形、リニアですね。だから与えるデータが増えれば増えるほど平均化された数値を返すんじゃないか？と思う。
特異な、いわゆる　外れ値　も含んでしまうから。まあこれはM氏の独断だけれども。

Rでは非線形予測のための関数も多く用意されているのだが、今の自分の理解力ではとても使いこなせなかった。なにしろ引数に具体的な数式を入れなければならないのだ。
その点このWEKAでは非常に助かっている。データを与えれば素早く計算結果を返してくれる。
十分なjavaの知識があれば自分で細かいアルゴリズムもカスタマイズできるはずだけど、M氏には無理。現状を理解するだけでも精一杯だ。

あと難しいと感じるのは予測に使うデータそのもの。
いったいどう書けばいいのか？
arff形式やデータの読ませ方などは理解できたのだけど、問題はその中身。
何かとの相関を予測の前提とするわけで、現状では過去履歴のみ。
M氏が思うに、これが、つまり相関が予測の核心なわけで拠り所なんですね。
企業秘密ということで、仮に有益な係数が見つかっても、皆さん簡単には人に教えないでしょう。
もちろんM氏もそう。（笑）
相関は因果関係とはまた違う。因果関係はなくとも相関が見出せることもあるわけで。
そんなわけでデータ作成、知恵を絞るわけですが、ここでひとつ問題がある。
それは予測のためには前もって必要な情報が揃っていなければならないという事実。

当然のことだけどロト予測に必要な十分な情報といえるのは過去履歴しかない。
セット球は抽選前に調べれば解るけど分析には時間がなさすぎる。
あ、そうだ、ひとつ有力な手掛かりがある。それはボタン押し行員のデータだ。おそらくこれらのデータをきちんと保存している個人、または組織、どこかに存在してるんじゃないか？
これらを十分な分析時間のあるうちに、事前に知り得ることは不可能だけれど過去履歴を手に入れることは可能なのか？

フム。。まあ知ったところで、いくつかのシナリオで予測するしかないわけだけれど。

ところでM氏は確率の収束は信用していない。いろいろ考え方はあるだろうけどいつまでたってもアンバランスであろう。
当選数字の分布についてはほぼ数学？定理というべきか？どうりだ。
ヒストグラムを見ても変なグラフにはなっていない。全体を通してみればちゃんと落ち着くようになっている。不思議だ。
ただピンポイントで観察すると、とても変な動きをするように見える。
なんだかｸﾞﾀﾞｸﾞﾀﾞになってきたが、要するに次回の数値が読めればいいわけで、M氏の場合は有効な説明変数を探し出すこと、これが緊急の課題ってことです。

ロト6第405回の予測と結果

2008-07-31T12:19:00.004+09:00

予測方法　

過去3回の当選履歴データをWEKAで計算する。
使用スキームはマルチレイヤーとSVMregです。これを元に自分の勘でアレンジしてみたい。

4　13　18　21　27　34
5　13　17　21　26　36

上記は計算のままの数字

5　13　17　25　26　38　←　WEKAの数値から選んだ組み合わせ

1　13　18　19　25　33　か　43　　これは総合的な自分の勘。

最終的に下記に決定する。

5　13　17　25　27　36　
1　13　17　25　27　36　

追記

結果検証
1　13　17　25　27　36　（実際に買った数字たち）
6　13　19　20　30　31　ボーナス　8　

予測では第一から第四までは近い数字となったが、第五、第六に関してはまるでダメ。
なんか違うなあ。。。
まあ1個は正解だから良しとして、いつも一つズレとかがあってじつに悔しい。
次回は与えるデータをちょっと変えてみたい。

いまの方法は直近の過去データから流れを読む方法だ。
今度はある仮定をもとに予測してみたい。

目的変数と説明変数、とくに説明のほうで「何がこの数字を選ばせたのか？」を知ることだ。
簡単なことではないが理由は確実にある。
物理的に言えば（当たり前のことではあるが。。）メチャクチャにかき混ぜたボールの渦から無作為のタイミングでガシャンとボールを抽出する、まさにその事が「何がこの数字を選ばせたのか？」という問いの答えとなるわけだ。
これが解れば誰だって予測が的中するのだけど、そんなこと解りっこない。
だから結果としてセット球とかに注目したりする。

現状ではセットとボーナス数字に関してはまったく関心を払っていない。
一つの仮定としてだが次回使われるであろうセットを変数として計算に組み込む。
これは10種類ほどあるはずだから、シナリオとしては10個だ。
もうひとつは計算結果をもういちどWEKAに入れて他の目的変数を計算し直すという方法を試してみよう。
これは可能性のある数字を当選したものとみなして、他の枠の数字の計算に影響を与えてみるという方法だ。うまく機能するのか？

ミニロト第468回の予測

2008-07-28T12:30:00.004+09:00

今回は過去5回の履歴を使用。
WEKAのスキームはSVMreg、サポートベクトルレグレッションモデルというもの。
検索すれば専門的な内容のページもヒットする。
ミニロトは、ここのところ極端な出目が続いているなという感じ。
似たような形、そして似たような数字・・・なんか臭うよな。
いつものマルチレイヤーは今回は使わない。極端な出目のせいか平均値のような数値だったので。

7.898
12.91
16.55
21.674
25.833

8　13　17　22　26　　←　とりあえずということで。

追記

さて結果の検証をしてみたい。

7　8　13　24　27　ボーナス　10
10　13　17　24　31　←これは今回の買い目。

土壇場の気まぐれで数字を入れ換えたわけだが、どっちにしても本数字で2ヒットという結果に終わった。WEKAでは、まったく考える事なしで、ピンポイント予測で2個予測できたわけだから、かなり満足している。
12個～15個選んだって、当たらない時は一つも入らない。それを思えばWEKAを使った予測というのはすごく良い。
最低でも１個はヒットしているから。

第404回ロト6予測

2008-07-23T18:05:00.007+09:00

遅れ2　　　遅れ3　　　遅れ4　　　遅れ5

2.753 　　　 9.171　　　7.063 　　　8.567
21.707 　　23.109　　11.424　　 19.682
28.22 　　　30.699　　19.175 　　 23.736
28.957　　 34.071 　　 25.184　　28.496
32.237　　 37.871 　　28.095 　　33.782
35.206　　42.659　　36.318　　　37.698

上記は、いつもなら直近3回の出目をもとに数値を出すのを、遅れ時間を取って出した数値である。
与えたデータはそれぞれのインターバルで3回分遡ったもの。
つまり4回目の値を予測する形となる。Ｍ氏の理解が正しければ、遅れ時間で埋め込みを使った時系列解析では過去の類似軌道を探し出し、直近の値を推定するという流れになるはず。
ＷＥＫＡを使った上記の方法はＭ氏の単なる思い付きだ。

こんなふうに分析することの意味があるのか？どうか？
まあ、とりあえず今後の参考にアップしておくことにする。

以下は過去2回分の履歴を同じように計算したものだ。

5.428
13.861
17.826
21.93
26.413
33

過去何回かこのやり方、過去3回分の履歴だけれど予測してみたがイマイチで、2個から、良くて３個までしか読めない。
結果から判断すると、あまり適した方法ではない。特に第一数字がまったく見えてこない。次に第六数字。
比較的感触が良いと感じるのは第二から第四数字かな。これもＭ氏の主観だから第三者から見るとデタラメに見えるかもしれない。

解り易くするため単純に四捨五入した数値が以下である。

3　　9　　7　　9　→　9*2
22　23　11　20　　　28*3
28　31　19　24　　　38*2
29　34　25　28　　　34*2
32　38　28　34　
35　43　36　38

一応四捨五入でダブった数字を強い数字として選ぼう。

23　19　は第二に強い数字として候補とする。

したがって今回は・・・

9　19　23　28　34　38　・・・です。

追記
03　10　14　18　26　43　ボーナス数字　33

結果は一致なしで惨敗。
遅れ時間をとる方法はダメだったが、
以外にも過去2回のみの履歴でマルチレイヤーパーセプトロンにかけた結果が良かったんじゃないか？
小数点以下四捨五入の数値ではあるが、ピンポイント予測、つまり6個の数字だけ枠別に計算した結果が3個も正解している。残念ながら、正直買う気にはならなかったんだが。

13.861　17.826　26.413

おまけに第六数字として予測した　33　までがボーナス数字として出現。

偶然か必然か？
意見は割れるだろうけどＭ氏にとっては手応えを感じた今回の結果である。

ロト6　第403回の結果と答え合わせ

2008-07-18T12:51:00.002+09:00

7　16　24　27　30　36
9　12　23　28　29　37　←の二列は計算で出した数値。

9　16　23　27　29　37

上のは今回買いの組み合わせだ。

そして今回　8 10 13 20 24 33　これが答えだ。

偶然かどうか判断できないけど、第一と第二に関しては近い数値が出ている。
それと枠違いだが第三も。
24は予測枠がずれてるけど出ちゃったね。もっともこの24はあまり買う気にならない数字だが。
予測での第四数字以降はまったくカスる気配なし。

結果的に劇ハズレなんだけど、悪くない気もする。
案外超短期で計算したほうが良いのかも？

第403回ロト6予測

2008-07-16T15:41:00.002+09:00

今回はWEKAに与えるデータを過去3回だけとした。
というのは局所的なトレンドというか、ごく短期のクセを捉えたいと思ったからだ。
WEKAでそういうことが可能か？どうか？
まったく解らないけどデータが少なければ、出てくる結果もかなり片寄ったものになるだろう。
つまり平均からはかなりズレた数値を示すんじゃないか？

使用したスキームは2個だけ、マルチレイヤーパーセプトロン、それとAdditive RegressionをBaggingで試してみた。

以下、端数を恣意的に調整した数値を示す。

7　16　24　27　30　36
9　12　23　28　29　37

この中からいくつ出るか？
個別の数字についてはまったく調べていないし、過去の記事でも調べたことはない。
それは情報が多いと迷うからだ。
できるだけ情報を集めて判断すべきか？
今回は一応当選履歴だけ見て選んでみた。

9　16　23　27　29　37

奇跡が起きないか？

ミニロト466回WEKAによる予測値

2008-07-14T16:33:00.002+09:00

非常に長くなるが、実際にWEKAでout putしたものを載せてみた。
上から順に第一から第五数字までの予測値となっている。
計算に使われたスキーム、アルゴリズムはおおよそ読み取れる。
与えたデータは過去15回の当選履歴だ。詳しい計算の考え方はよくわからない。
ただ時系列の観念はないだろう。１５回の平均値に局所的な重み付けを行い、誤差が最小になるように予測モデルに当てはめた結果がpredictedで表される数値であろうと思われる。
一応ではあるけれど、直近15回の流れで予測するならば、？で示された数値が最もよく当てはまる数字となるはずである。
summaryで示される項は予測モデルの評価であろう。
この数値を見る限り、かなりの精度で当てはまっていることが確認できる。
データの数を増やしていくと当然当てはまり具合、つまり精度ということになるだろうけど、落ちていく。
そして数値は平均値に近づいていく。当然だ。なぜならハズレ値というのか、まったく流れを断ち切るような数値が多く入ってくるからだ。
事実アルゴリズムでも最近隣法というのが使用されているはず。（nearest neighbours)
まあ、なんとか近いところを狙いたいわけで、試行あるのみだね。

=== Run information ===

Scheme: weka.classifiers.meta.AdditiveRegression -S 1.0 -I 10 -W weka.classifiers.lazy.LWL -- -U 0 -K -1 -A "weka.core.neighboursearch.LinearNNSearch -A \"weka.core.EuclideanDistance -R first-last\"" -W weka.classifiers.trees.DecisionStump
Relation: 466yosoku
Instances: 16
Attributes: 5
daiiti
daini
daisan
daiyon
daigo
Test mode: evaluate on training data

=== Classifier model (full training set) ===

Additive Regression

ZeroR model

ZeroR predicts class value: 5.6

Base classifier weka.classifiers.lazy.LWL

10 models generated.

Model number 0

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 1

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 2

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 3

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 4

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 5

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 6

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 7

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 8

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 9

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Time taken to build model: 0.06 seconds

=== Predictions on training set ===

inst#, actual, predicted, error
1 3 2.994 -0.006
2 2 2.078 0.078
3 4 3.891 -0.109
4 2 2.134 0.134
5 1 1.087 0.087
6 6 6.061 0.061
7 2 2.014 0.014
8 6 5.867 -0.133
9 12 11.983 -0.017
10 10 10.083 0.083
11 6 5.866 -0.134
12 4 4 0
13 12 12.006 0.006
14 1 1.137 0.137
15 13 12.809 -0.191
16 ? 3.775

=== Evaluation on training set ===
=== Summary ===

Correlation coefficient 0.9998
Mean absolute error 0.0793
Root mean squared error 0.0985
Relative absolute error 2.3043 %
Root relative squared error 2.4153 %
Total Number of Instances 15
Ignored Class Unknown Instances 1

=== Run information ===

Scheme: weka.classifiers.meta.AdditiveRegression -S 1.0 -I 10 -W weka.classifiers.lazy.LWL -- -U 0 -K -1 -A "weka.core.neighboursearch.LinearNNSearch -A \"weka.core.EuclideanDistance -R first-last\"" -W weka.classifiers.trees.DecisionStump
Relation: 466yosoku
Instances: 16
Attributes: 5
daiiti
daini
daisan
daiyon
daigo
Test mode: evaluate on training data

=== Classifier model (full training set) ===

Additive Regression

ZeroR model

ZeroR predicts class value: 11.4

Base classifier weka.classifiers.lazy.LWL

10 models generated.

Model number 0

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 1

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 2

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 3

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 4

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 5

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 6

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 7

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 8

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 9

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Time taken to build model: 0.02 seconds

=== Predictions on training set ===

inst#, actual, predicted, error
1 7 6.936 -0.064
2 12 12.239 0.239
3 7 6.883 -0.117
4 5 4.999 -0.001
5 10 10.042 0.042
6 8 8.044 0.044
7 16 15.963 -0.037
8 8 8.071 0.071
9 13 12.997 -0.003
10 11 10.977 -0.023
11 12 12.074 0.074
12 19 18.807 -0.193
13 13 12.964 -0.036
14 12 11.924 -0.076
15 18 18.02 0.02
16 ? 11.365

=== Evaluation on training set ===
=== Summary ===

Correlation coefficient 0.9997
Mean absolute error 0.0694
Root mean squared error 0.0952
Relative absolute error 2.1859 %
Root relative squared error 2.4117 %
Total Number of Instances 15
Ignored Class Unknown Instances 1

=== Run information ===

Scheme: weka.classifiers.meta.AdditiveRegression -S 1.0 -I 10 -W weka.classifiers.lazy.LWL -- -U 0 -K -1 -A "weka.core.neighboursearch.LinearNNSearch -A \"weka.core.EuclideanDistance -R first-last\"" -W weka.classifiers.trees.DecisionStump
Relation: 466yosoku
Instances: 16
Attributes: 5
daiiti
daini
daisan
daiyon
daigo
Test mode: evaluate on training data

=== Classifier model (full training set) ===

Additive Regression

ZeroR model

ZeroR predicts class value: 16.933333333333334

Base classifier weka.classifiers.lazy.LWL

10 models generated.

Model number 0

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 1

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 2

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 3

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 4

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 5

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 6

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 7

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 8

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 9

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Time taken to build model: 0.03 seconds

=== Predictions on training set ===

inst#, actual, predicted, error
1 12 11.998 -0.002
2 16 16.022 0.022
3 12 11.996 -0.004
4 13 13.009 0.009
5 16 15.984 -0.016
6 10 10.002 0.002
7 17 16.979 -0.021
8 15 14.971 -0.029
9 26 25.922 -0.078
10 25 25.032 0.032
11 17 16.963 -0.037
12 22 22.015 0.015
13 16 16.024 0.024
14 16 16.039 0.039
15 21 21.038 0.038
16 ? 16.708

=== Evaluation on training set ===
=== Summary ===

Correlation coefficient 1
Mean absolute error 0.0246
Root mean squared error 0.031
Relative absolute error 0.6976 %
Root relative squared error 0.6832 %
Total Number of Instances 15
Ignored Class Unknown Instances 1

=== Run information ===

Scheme: weka.classifiers.meta.AdditiveRegression -S 1.0 -I 10 -W weka.classifiers.lazy.LWL -- -U 0 -K -1 -A "weka.core.neighboursearch.LinearNNSearch -A \"weka.core.EuclideanDistance -R first-last\"" -W weka.classifiers.trees.DecisionStump
Relation: 466yosoku
Instances: 16
Attributes: 5
daiiti
daini
daisan
daiyon
daigo
Test mode: evaluate on training data

=== Classifier model (full training set) ===

Additive Regression

ZeroR model

ZeroR predicts class value: 21.466666666666665

Base classifier weka.classifiers.lazy.LWL

10 models generated.

Model number 0

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 1

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 2

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 3

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 4

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 5

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 6

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 7

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 8

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 9

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Time taken to build model: 0.01 seconds

=== Predictions on training set ===

inst#, actual, predicted, error
1 14 14.008 0.008
2 18 18.026 0.026
3 17 16.985 -0.015
4 20 19.999 -0.001
5 24 24.025 0.025
6 16 16.001 0.001
7 22 22.006 0.006
8 24 23.997 -0.003
9 27 26.991 -0.009
10 27 26.985 -0.015
11 20 20.01 0.01
12 25 25.004 0.004
13 21 20.995 -0.005
14 22 21.945 -0.055
15 25 25.002 0.002
16 ? 21.4

=== Evaluation on training set ===
=== Summary ===

Correlation coefficient 1
Mean absolute error 0.0123
Root mean squared error 0.0185
Relative absolute error 0.3817 %
Root relative squared error 0.4806 %
Total Number of Instances 15
Ignored Class Unknown Instances 1

=== Run information ===

Scheme: weka.classifiers.meta.AdditiveRegression -S 1.0 -I 10 -W weka.classifiers.lazy.LWL -- -U 0 -K -1 -A "weka.core.neighboursearch.LinearNNSearch -A \"weka.core.EuclideanDistance -R first-last\"" -W weka.classifiers.trees.DecisionStump
Relation: 466yosoku
Instances: 16
Attributes: 5
daiiti
daini
daisan
daiyon
daigo
Test mode: evaluate on training data

=== Classifier model (full training set) ===

Additive Regression

ZeroR model

ZeroR predicts class value: 26.333333333333332

Base classifier weka.classifiers.lazy.LWL

10 models generated.

Model number 0

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 1

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 2

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 3

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 4

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 5

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 6

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 7

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 8

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Model number 9

Locally weighted learning
===========================
Using classifier: weka.classifiers.trees.DecisionStump
Using linear weighting kernels
Using all neighbours

Time taken to build model: 0.03 seconds

=== Predictions on training set ===

inst#, actual, predicted, error
1 16 16.014 0.014
2 30 30.026 0.026
3 27 26.977 -0.023
4 24 24.031 0.031
5 26 26.109 0.109
6 20 20.003 0.003
7 28 28.043 0.043
8 31 30.966 -0.034
9 29 28.998 -0.002
10 30 29.987 -0.013
11 26 26.019 0.019
12 29 29.031 0.031
13 23 22.991 -0.009
14 28 27.844 -0.156
15 28 28.007 0.007
16 ? 27.196

=== Evaluation on training set ===
=== Summary ===

Correlation coefficient 0.9999
Mean absolute error 0.0347
Root mean squared error 0.0537
Relative absolute error 1.1318 %
Root relative squared error 1.3547 %
Total Number of Instances 15
Ignored Class Unknown Instances 1

ミニロト466回のための参考データ

2008-07-13T12:01:00.000+09:00

> m <- read.table("clipboard", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)

> fix(m)

> m <- read.table("clipboard", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)

> fix(m)

> acf(m$第一)

> pacf(m$第一)

> summary(m)
第一第二第三第四
Min. : 1.000 Min. : 2.00 Min. : 3.00 Min. : 7.00
1st Qu.: 2.000 1st Qu.: 7.00 1st Qu.:13.00 1st Qu.:18.00
Median : 4.000 Median :10.00 Median :16.00 Median :22.00
Mean : 5.566 Mean :10.79 Mean :16.26 Mean :21.44
3rd Qu.: 8.000 3rd Qu.:14.00 3rd Qu.:20.00 3rd Qu.:25.00
Max. :24.000 Max. :26.00 Max. :29.00 Max. :30.00
第五
Min. :10.00
1st Qu.:25.00
Median :28.00
Mean :26.78
3rd Qu.:30.00
Max. :31.00

> # Spearman rank-order correlations

> cor(m[,c("第一","第五","第三","第四","第二")], use="complete.obs", method="spearman")
第一第五第三第四第二
第一 1.0000000 0.1326871 0.4291310 0.2679401 0.6347924
第五 0.1326871 1.0000000 0.3558801 0.5501979 0.2547430
第三 0.4291310 0.3558801 1.0000000 0.7036939 0.6664421
第四 0.2679401 0.5501979 0.7036939 1.0000000 0.4562751
第二 0.6347924 0.2547430 0.6664421 0.4562751 1.0000000

> .PC <- princomp(~第一+第五+第三+第四+第二, cor=TRUE, data=m)

> unclass(loadings(.PC)) # component loadings
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
第一 -0.3842908 0.59709060 0.47424714 0.51123182 -0.0976477
第五 -0.3600279 -0.60589940 0.65247464 -0.20437302 -0.1891411
第三 -0.5110869 -0.01410342 -0.50596661 -0.03090404 -0.6939985
第四 -0.4784247 -0.37732227 -0.30437457 0.47056097 0.5609512
第二 -0.4822867 0.36578371 -0.02684013 -0.68883308 0.3979829

> .PC$sd^2 # component variances
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
2.9644445 1.0297671 0.5127298 0.2980798 0.1949788

> screeplot(.PC)

> m$PC1 <- .PC$scores[,1]

> remove(.PC)

> HClust.1 <- hclust(dist(model.matrix(~-1 + PC1, m)) , method= "ward")

> plot(HClust.1, main= "Cluster Dendrogram for Solution HClust.1", xlab= "Observation Number in Data Set m", sub="Method=ward; Distance=euclidian")

> .FA <- factanal(~第一+第五+第三+第四+第二, factors=1, rotation="varimax", scores="none", data=m)

> .FA

Call:
factanal(x = ~第一 + 第五 + 第三 + 第四 + 第二, factors = 1, data = m, scores = "none", rotation = "varimax")

Uniquenesses:
第一第五第三第四第二
0.716 0.751 0.171 0.391 0.444

Loadings:
Factor1
第一 0.533
第五 0.499
第三 0.910
第四 0.780
第二 0.746

Factor1
SS loadings 2.527
Proportion Var 0.505

Test of the hypothesis that 1 factor is sufficient.
The chi square statistic is 229.97 on 5 degrees of freedom.
The p-value is 1.08e-47

> remove(.FA)

wekaによる402回ロト6の予測メモ

2008-07-09T11:36:00.003+09:00

SMOreg

第一　8.351
第二　16.856
第三　21.438
第四　26.58
第五　32.524
第六　37.784

Kstar

8.05
16.55
21.7
26.85
32.15
37.85

LWL-balltree

8.93
15.686
20.939
26.737
31.931
38.161

IBK

6
12
19
24
29
38

Addtive Regression

8.05
16.55
21.7
26.85
32.15
37.85

MultiLayerPerceptron

15.522
20.14
18.81
25.294
29.555
39.605

使用したデータは過去20回の当選履歴。
ほとんどのスキームは平均値のような数値を出したが、最後のマルチレイヤーパーセプトロン
だけは直前の出目を反映したような数値だ。
このスキームも、データをもっとたくさん与えるとだんだん平均化されるようだが、これぐらいだとかなり片寄った数値を出す模様。

計算された予測モデルの数値誤差は　1.0　ぐらい。
パラメータはすべてデフォルトで行っている。調整してみたいのだが、ヘルプはすべて英語だからいまだ意味がよくわかっていないのだ。
ついでに過去15回のデータで同じマルチレイヤーをやってみる。

24.493
13.444
16.592
23.164
30.908
41.787

さらに過去10回のみの場合

18.439
23.329
21.348
29.823
31.159
39.283

ついでに5回前分のデータだけで

2.141
15.428
22.335
32.518
31.108
38.643

　　20回　　　15回　　　　10回　　　　5回

15.522	24.493	18.439	2.141
20.14	13.444	23.329	15.428
18.81	16.592	21.348	22.335
25.294	23.164	29.823	32.518
29.555	30.908	31.159	31.108
39.605	41.787	39.283	38.643

まとめると以上となる。ちなみにバックテストというのだろうか、同じやり方で前回を検証してみたが、まったく数字がかみ合っていなかった。
これはやはり後付け理論というのだろうか、あとから誤差が最小になるようにモデルを考えたとしても、必ずしも予測どうりの振る舞いをしないことを意味する。
当たり前だな、そんなことで次回が読めたらエライコトになるわな。

ただまったくの当てずっぽうではなく、この中からいくつかは当選が出るだろう。

30　31　39
21　23　
16

一応、勘だけで選んでみると上記となった。
マニュアルにある予測、predictの方法とは違うやり方ではあるけれど、（データの与え方と分析の順番のこと、ファイルをいくつも作らないといけないのだね。面倒だし結果もそれほど違いはなかったからやらないわけ）近い数値、あるいはフォームになってくれると今後が期待できるんだよね。

明日はこの数字を買います。
あきらめたら始まらない。

追記

前回の方法では（401回）は当たりなしであった。
また近いという感触もなし。

第465回ミニロトについて反省会

2008-07-08T21:18:00.002+09:00

13、18、21、25、28　ボーナスが　7　という結果。

買ったのは　7　10　18　21　27

ボーナス数字はたぶん偶然だ。

18　21　のふたつがヒット。

むー、このふたつは一応WEKAで計算した数値から選んだ。

16が強く出ていたのだがね。あえて18を選んでみた。

21はほぼ正解だろうとの予測どうり。

ここでメモをもとに予測段階での数字をリストアップしてみる。

第一数字候補　５　4　2　6　7　8　10　

第二　　　　　　13　12　14　16

第三　　　　　　16　17　18　19　

第四　　　　　　21　22　23　

第五　　　　　　26　27　28

こんなに多くリストアップすればほぼ当選数字は全部入ってしまうね。
入ってないのは　25だけか。

試したスキームはいつもと同じ。与えたデータは過去30回だったか。
ただ遅れ時間はとらずに履歴をそのまま使用したはず。
遅れ時間で予測する場合、ファイルがたくさん必要になる。
本当は面倒がらずにやってみればいいのだけれど、省力化のための自動プログラムが解らない。
だから手間がかかるんです。

試行しつづけるのみか。

WEKAによるロト6第４０１回予測

2008-07-03T01:56:00.002+09:00

今回の予測過程を記録する。

1、Rで当選履歴を各枠別に5次元のマトリックスに変換。Rでは低次元のユークリッド次元に展開するというように表現していた。関数名はembed。

2、五次元マトリックス表に適当と思われる遅れ時間をとった座標を書き足す。
これは予測したい数値から逆算して時系列から数値を抜き出す作業となる。
書き足す行はいくつでもよい。計算してみたい数だけ、すなわち遅れ時間をとりたいだけ取ってもいい。制限はない。でもたぶん似たような数値になるだろう。
予測数値のセルは空白ではなく、？マークなどを入れておく。

3、出来上がったエクセルデータをCSV形式でセーブ。

4、WEKAを起動して目的のCSVファイルを開く。
5、スキームを選んだらuse traning data モードをpredict オンにして使用する。

今回もSVOregで計算してみた。
ほとんど詳しくは無いのだけど、このスキームは説明変数どうしの干渉に強いらしい。
統計学では多重共線性というらしい。
重回帰分析の場合、説明変数どうしが相関があると起こる現象か。
だから回帰分析の結果がなかなか良いらしいのだよ。
まあ、M氏はシロートだしプロセスはどうであれ結果オーライだからね。

一応、検証のため数字を挙げておく。もちろん買うつもり。

7,13、19,25,31　32　38

31と32は微妙です。どちらか？

WEKAでのデータ取り扱い

2008-07-02T17:48:00.002+09:00

WEKAで分析をはじめる場合、まず最初にCSV形式でデータを与える。
ロトで扱うデータは圧倒的多数がエクセルである。これはデータの整形が簡単にできるからだ。
データができたらセーブするときにCSVとする。つぎにWEKAに読み込ませる。
正常に読み込むとrelationにデータの名前が表示される。
WEKAではコンバーター機能があるのでエラー表示にしたがって変換できる。
読み込んだ後はsaveボタンでarff形式に変換する。
arff形式は簡単なのですぐ理解できるが、いちいち入力する手間を考えると上記のやり方が簡単だ。
このとき問題になるのが尺度である。
尺度というのは要するにデータがただの数値なのか、それとも分類か何かのための名称なのか、というようなことである。例えば量的尺度と名義尺度であるとか。

一つのデータファイルには尺度が違うのが混在しても問題はない。
ただスキームを選択する場合、目的とする変数（WEKAではclassというはずである）によって制限がある。
要するに適合か不適合かというだけだと思うが。

なにか問題が起きたら、例えばエラー表示がでた場合など、データファイルをエディタで開いてみると良い。
たぶんattributeの部分とWEKAで指定したclass、それとスキームが不適合していると思われる。

WEKAによる第464回ミニロト予測検証。

2008-07-02T10:36:00.003+09:00

第464回のミニロト結果は以下のとおり。

　　　　　　　　1,12,16,22,28　B-15
予測は　　　　5,11,16、21,26、

意識したわけではないが結果的にフォームは良く似ている。
予測方法は枠別に個別に計算した数字である。
埋め込みに用いたパラメーターは次元が4、遅れ時間は1から3であった。
計算に用いたWEKAのスキームはSMOreg。

どうなんだろう？
16のみヒットで12と22は隣数字。
1は大きくはずれ、28は近いところまでいった。
パラメーターを調整すればなんとかなるものか？
あるいは過去データで検証して、もっとも正解率の高いパラメーターを探すことに意味があるのだろうか？これは線形予測ちゅうことになるのかね？

とりあえず何も無いところから近いところを予測できたので若干の手応えありということで。

WEKAによる第401回ロト6予測

2008-07-01T20:24:00.002+09:00

何はともあれ、とにかく分析しなくちゃならん。
他人はどう思うか解らないが、思いつくままやってみたい。
そいうわけで今回はミニロトとの相関をwekaにぶちこんでみた。

使用したデータは先行して始まったミニロトの結果がロト6の第一回目に影響を与えたのではないか？
という仮定で、以降現在に至るデータを使用した。
つまり直前のミニロトで出た結果がロト6の出目それぞれに対して、どれぐらい相関があるのか？
というような視点。
コイツアホじゃないか？と思うかね？

使用したスキームはregressionByDiscretization
離散的回帰？よくわからんがJ48という決定木のアルゴリズムを使用してる模様。
なぜこのスキームを選んだのか？
それは総当りで試してみて相関率がもっとも高かったから。
まったくの見当違いかもしれないが。

早速結果を示してみる。

第一数字　1.387
第二数字　4.056
第三数字　12.381
第四数字　18.971
第五数字　33.436
第六数字　33.994　　

ちなみに小数点以下のゴミは設定できる模様。
M氏はデフォルトのまま使用中。

近いとこ来てくれると嬉しいのだけど。

wekaによる４６４回ミニロト予測

2008-06-30T19:39:00.002+09:00

基本は時系列分析となる。
WEKAには時系列分析のための特別なスキームがない。たぶん。
そこでRを使って遅れ時間を1～3までとったデータをまず作ってみた。
データの最後の行に予測するための座標を書き加え、予測値を？とした。
今回は座標を四次元ベクトルで表してみた。

WEKAで使用したスキームはSMOregで回帰分析の一種だと思われる。
専門知識がないので詳しくは解らない。
サポートベクターマシンというらしいが、要するに機械学習で非線形予測をする仕組みの模様。
ニューロコンピューティング？
まだ試行段階だから、どのスキームが良いとか、どんなデータを与えればいいのか手探り状態だ。
M氏が思い描いたことは、送れ時間をとった何種類かのデータを学習させて、次回を機械的に予測させること。自分の意思が入る余地は全く無い。あるとすればそれはデータの取捨選択と与え方、それとスキームの選び方だけだと思う。
主観的に皆さん判断されて買うわけだけど、いっさいの希望的観測を排除したいのね。

一応買い目を挙げておきます。
明日はこれを買ってみるつもり。

5,11,16、21,26

値をみると、どうも平均のようで、面白くは無い感じ。

WEKAでロトを予測する（1）

2008-06-24T14:56:00.002+09:00

WEKAというソフトがある。
オープンソフトだから誰でも無料で使用できるが、ヘルプなどは英語なので理解するのに難儀する。
貴重なネット情報源も若干あるが、圧倒的に数が少ないようである。
WEKAに興味を持ったのは、ニューロネットワークというのだろうか、まあ解りやすく言えば、脳の働きをコンピューターで再現するとういうような、人工知能的な試みだから。

ごく狭い、つまりロトの予測だけに話を絞れば、M氏である私を含め多くの方々は、さまざまな過去データを用いて次回の出目を予測する。
その過程を機械にやってもらうというのがM氏の思い描いてることなのだ。
馬鹿げてるかもしれないが、他に予測方法も思いつかず、とりあえず費用もかからないわけで、挑戦する価値はあると思う。

概要は以下のとおり。

まず変数について考える。
これはさまざまな条件設定でよい。つまり何でもいい。極論だが。
天候とか立会人とか、その他自分が相関があると考えるものすべてが対象となり得る。
いわゆる説明変数というものだ。

ロト6に限って言えば目的変数は6個。
だから第一から第六までで、それぞれ条件設定は異なってもいいはず。
説明と目的の両変数が決定すれば、つぎは実際のデータ作成となる。

WEKAではarff形式のデータを使用する。
実際の書き方は検索ですぐに解るので省略。
重要なことだがWEKAでは予測モデルを自分で考えるとか、あるいは数式で表す必要はない。
説明変数と目的変数の学習データがあれば、それでいい。
つまり学習データとはPCに実際のデータを読み取らせ、機械が勝手にモデルを作成するためのものと考えてよい。
データを与えれば、選択したアルゴリズムにしたがって関数を自動で作ってくれるイメージなのか。
トレーニングモードで学習し、テストモードで実際に予測するというような動き方をすると思われる。

参考ページ

実際のコマンドは上記ページに解説がある。
またWEKAを使ったデータマイニング全般についても詳細な解説がある。
どんなアルゴリズムが何に適するか？など非常に参考になる。
ダウンロードとインストールに関しては検索で簡単にできるはず。

あとarffファイルについてだが、エディタで形式に沿って正確に書く必要はない。
もちろんできる人はそれでいいが、要はカンマ区切りのCSV形式で書いてあれば読み込んでくれるはず。
読み込みが終わると、いきなりデータが表示されるはず。
つぎは一番上のメニューを選択、二段目のchooseをクリックすると選べるアルゴリズムが表示される。

ファイルは第一行目を変数名とし、第二行目からを実際のデータとすればよい。
ただし順列は対応させるように。
WEKAの初期設定では最後に書いた変数名が目的変数となっている。

一番の問題は説明変数だと思う。
これは色々な要因を自分で見つけ出し、総当りで試してみるしか方法が無いような気がする。
まだまだ解らないことばかりで、もっと調べなくちゃならん。

Rでロト6　400回を予測する。

2008-06-23T11:16:00.005+09:00

以下の式は自己相関の観点から当てはめたもの。
予測値は平均値のような感じで面白くない。

ちなみに$predが予測値で$seが残差です。残差とは多分誤差のことです。
V1～V6はそれぞれ第一数字から第六数字まで対応しています。

M氏はインテリじゃないので（高学歴ではないという意味で）統計学から見ればずいぶんいい加減なことをやっているように見えるかもしれません。
もしもコレを見てご意見があればコメントいただけると嬉しいです。

> V1.ar<-ar(V1)
> (V1.pr<-predict(V1.ar,n.ahead=1))

$pred
Time Series: Start = 400
End = 400 Frequency = 1
[1] 6.566416

$se
Time Series: Start = 400
End = 400 Frequency = 1
[1] 5.04751

> V2.ar<-ar(V2)
> (V2.pr<-predict(V2.ar,n.ahead=1))

$pred

Time Series: Start = 400
End = 400
Frequency = 1
[1] 12.86967

$se

Time Series: Start = 400
End = 400
Frequency = 1

[1] 6.76995

> V3.ar<-ar(V3)
> (V3.pr<-predict(V3.ar,n.ahead=1))

$pred

Time Series: Start = 400
End = 400
Frequency = 1

[1] 18.77193

$se

Time Series:
Start = 400
End = 400
Frequency = 1
[1] 6.948888

> V4.ar<-ar(V4)
> (V4.pr<-predict(V4.ar,n.ahead=1))

$pred

Time Series:
Start = 400
End = 400
Frequency = 1

[1] 25.07519

$se

Time Series:
Start = 400
End = 400
Frequency = 1

[1] 6.905272

> V5.ar<-ar(V5)
> (V5.pr<-predict(V5.ar,n.ahead=1))

$pred

Time Series:
Start = 400
End = 400
Frequency = 1

[1] 31.58396

$se

Time Series:
Start = 400
End = 400
Frequency = 1

[1] 6.385626

> V6.ar<-ar(V6)
> (V6.pr<-predict(V6.ar,n.ahead=1))

$pred

Time Series:
Start = 400
End = 400
Frequency = 1
[1] 37.56391

$se
Time Series:
Start = 400
End = 400
Frequency = 1
[1] 5.152479

Rによる399回ロト6第六数字予測

2008-06-18T18:48:00.000+09:00

> attach(r6)

> (V6.ar <-ar(V6))

Call:
ar(x = V6)

Order selected 0 sigma^2 estimated as 26.61

> summary(V6.ar)
Length Class Mode
order 1 -none- numeric
ar 0 -none- numeric
var.pred 1 -none- numeric
x.mean 1 -none- numeric
aic 26 -none- numeric
n.used 1 -none- numeric
order.max 1 -none- numeric
partialacf 25 -none- numeric
resid 398 -none- numeric
method 1 -none- character
series 1 -none- character
frequency 1 -none- numeric
call 2 -none- call

> V6.ar$order
[1] 0

> V6.ar$ar
numeric(0)

> (V6.pr<-predict(V6.ar,n.ahead=1))
$pred
Time Series:
Start = 399
End = 399
Frequency = 1
[1] 37.56533

$se
Time Series:
Start = 399
End = 399
Frequency = 1
[1] 5.158886

> (V6.ari<-arima(V6,order = c(0,0,0)))

Call:
arima(x = V6, order = c(0, 0, 0))

Coefficients:
intercept
37.5653
s.e. 0.2583

sigma^2 estimated as 26.55: log likelihood = -1217.24, aic = 2438.49

> summary(V6.ari)
Length Class Mode
coef 1 -none- numeric
sigma2 1 -none- numeric
var.coef 1 -none- numeric
mask 1 -none- logical
loglik 1 -none- numeric
aic 1 -none- numeric
arma 7 -none- numeric
residuals 398 ts numeric
call 3 -none- call
series 1 -none- character
code 1 -none- numeric
n.cond 1 -none- numeric
model 10 -none- list

> (V6.pr<-predict(V6.ari,n.ahead=1))
$pred
Time Series:
Start = 399
End = 399
Frequency = 1
[1] 37.56533

$se
Time Series:
Start = 399
End = 399
Frequency = 1
[1] 5.152401

ミニロト予測（2）

2008-06-03T14:36:00.002+09:00

以下は第二
> x<-embedd(ippon,m=3,d=2)

> z<- subset(x, x[,1]==23&x[,2]==3)

> z
lag0 lag2 lag4
[1,] 23 3 15
[2,] 23 3 4

> x<-embedd(ippon,m=3,d=3)

> z<- subset(x, x[,1]==21&x[,2]==31)

> z
lag0 lag3 lag6
[1,] 21 31 14

> x<-embedd(ippon,m=3,d=4)

> z<- subset(x, x[,1]==25&x[,2]==23)

> z
lag0 lag4 lag8
[1,] 25 23 23
[2,] 25 23 6
[3,] 25 23 10

> x<-embedd(ippon,m=3,d=5)

> z<- subset(x, x[,1]==27&x[,2]==22)

> z
lag0 lag5 lag10
[1,] 27 22 19
[2,] 27 22 9
[3,] 27 22 17

つぎは第三

> x<-embedd(ippon,m=3,d=2)

> z<- subset(x, x[,1]==31&x[,2]==4)

> z
lag0 lag2 lag4
[1,] 31 4 26
[2,] 31 4 12
[3,] 31 4 14
[4,] 31 4 13
[5,] 31 4 18
[6,] 31 4 15
[7,] 31 4 16
[8,] 31 4 9
[9,] 31 4 21
[10,] 31 4 12
[11,] 31 4 15

> x<-embedd(ippon,m=3,d=3)

> z<- subset(x, x[,1]==22&x[,2]==3)

> z
lag0 lag3 lag6
[1,] 22 3 30
[2,] 22 3 21

第四

> x<-embedd(ippon,m=3,d=2)

> z<- subset(x, x[,1]==3&x[,2]==15)

> z
lag0 lag2 lag4
[1,] 3 15 30
[2,] 3 15 22
[3,] 3 15 23
[4,] 3 15 24
[5,] 3 15 25
[6,] 3 15 19
[7,] 3 15 30

> x<-embedd(ippon,m=3,d=3)

> z<- subset(x, x[,1]==23&x[,2]==4)

> z
lag0 lag3 lag6
[1,] 23 4 8
[2,] 23 4 27
[3,] 23 4 19
[4,] 23 4 30
[5,] 23 4 22
[6,] 23 4 15
[7,] 23 4 23

最後に第五

> x<-embedd(ippon,m=3,d=2)

> z<- subset(x, x[,1]==4&x[,2]==21)

> z
lag0 lag2 lag4
[1,] 4 21 31
[2,] 4 21 3
[3,] 4 21 29
[4,] 4 21 16
[5,] 4 21 20
[6,] 4 21 29
[7,] 4 21 26
[8,] 4 21 23

> x<-embedd(ippon,m=3,d=3)

> z<- subset(x, x[,1]==31&x[,2]==15)

> z
lag0 lag3 lag6
[1,] 31 15 30
[2,] 31 15 25
[3,] 31 15 27

今回は一本の時系列として主に遅れ時間　2　と　3　だけでやってみました。
方法は分析の結果選んだ第一数字を見込み当選数字と仮定し、順に第二～第五まで同じように、見込みで推測したものです。
ちょっと分かりにくいかもしれませんが、第一数字のみ実際のデータに基づいていて、残りのものは、すべて当選したものと仮定して遅れ時間を算出したわけです。
ロトは一回の観測で複数の数値が観測される時系列データです。
その特性を踏まえたとき、どんな分析方法がもっとも適切か？

まだまだ試行錯誤の現状です。

今回選んだ数字は

　　4　15　21　23　26　

ミニロト459回への予測（1）

2008-05-30T19:17:00.004+09:00

下記はミニロトの最新データを摘出順に並べたものを、一本の時系列に変換、
そしてそれをRで三次元ベクトル、遅れ時間2～5に変換、最後に最新の座標に一致するデータを抽出したものです。
ここで求めている値は、第一摘出数字です。一番右側の値が候補となります。

簡単に理屈を言うと、最新の値の出現状況を過去の値の出現状況に照らして推測する方法です。
ただ違うのは出現パターンが連続した時間上ではなく、飛び飛びに現れるかも知れない、と仮定して推測している点です。
その飛び飛びということを、遅れ時間という考え方で表しているのです。
ひょっとしたら大きな勘違いをしているかもしれないし、やり方が正確性を欠いているかも知れません。
今回初めて枠別データではなく、時系列に沿ってボーナス数字も含め一本の時系列として分析してみます。
今後の方向性は結果をみて判断することになるでしょうね。

lag0 lag2 lag4
[1,] 15 31 4
[2,] 15 31 4
[3,] 15 31 10
[4,] 15 31 24
[5,] 15 31 3
lag0 lag3 lag6
[1,] 6 24 6
[2,] 6 24 11
[3,] 6 24 4
[4,] 6 24 2
[5,] 6 24 1
lag0 lag4 lag8
[1,] 28 15 7
[2,] 28 15 29
lag0 lag5 lag10
[1,] 17 8 6
[2,] 17 8 12
[3,] 17 8 6

Rを使ってミニロトを予測してみる

2008-05-27T13:29:00.005+09:00

変換なし第一数字 <- read.table("clipboard", header=FALSE, sep="", na.strings="NA", dec=".", strip.white=TRUE)
class(変換なし第一数字)
x<-embedd(変換なし第一数字,m=3,d=2)
x
z<- subset(x, x[,1]==1&x[,2]==2)
z

第一
lag0 lag2 lag4
[1,] 1 2 4
[2,] 1 2 8
[3,] 1 2 2
[4,] 1 2 2
[5,] 1 2 3
[6,] 1 2 3
[7,] 1 2 2

lag0 lag3 lag6
[1,] 4 6 4
[2,] 4 6 2
[3,] 4 6 2
[4,] 4 6 7
[5,] 4 6 1

lag0 lag4 lag8
[1,] 3 1 5
[2,] 3 1 7
[3,] 3 1 3
[4,] 3 1 12
[5,] 3 1 1

lag0 lag5 lag10
[1,] 7 2 4
[2,] 7 2 1
[3,] 7 2 1
[4,] 7 2 1

第二数字
lag0 lag2 lag4
[1,] 10 16 8
lag0 lag3 lag6
[1,] 7 8 15
lag0 lag4 lag8
[1,] 7 10 15
[2,] 7 10 16
[3,] 7 10 11
lag0 lag5 lag10
[1,] 8 5 8

第三数字

lag0 lag3 lag6
[1,] 12 10 8
[2,] 12 10 8
[3,] 12 10 11

第四数字

lag0 lag2 lag4
[1,] 24 22 19
[2,] 24 22 28
[3,] 24 22 24

lag0 lag4 lag8
[1,] 14 24 24

第五数字

lag0 lag2 lag4
[1,] 26 28 28
[2,] 26 28 25
[3,] 26 28 28

一応遅れ時間2から5までやってみた。
各枠でデータ数が揃っていないのは該当データが無いためである。
ざっと結果を見てみて今回は以下のように予測してみたい。

2　8　15　24　28　

フラクタルについて

2008-04-30T17:42:00.002+09:00

自己相似というのは文字通り、自分に似るということ。
それでカオスについて調べるとフラクタルっていうのが、よく出てくる。
カオス的振る舞いの条件のひとつ。←私の理解が正しければだが。

これをロトにあてはめると　「過去のパターンによく似ている」　ってことになるだろうね。
実際に履歴を遡ると、そういう出目っていうのは目に付く。
それで次回の予想をするときに、そういう過去の出目の記憶がチラチラ頭に浮かんできたりする。
そういう掴みどころがない感覚的、直感というのかな、そういうものをデータとして引っ張ってくる。

６個あるいは７個の当選パターンは、注目する要素によってまったく違った結果になるだろう。
まったく同じ出目というのは現時点ではないはず。
パターンとして区別できる要素を自分で考え、その現れ方を探るのが第一段階。
たぶん現れ方、つまりは周期性なんだけどメチャクチャな現れ方をしていると思う。
だからキャリーオーバーなんてことに、なったりするわけだけど。

そのメチャクチャな出方に何かヒントが隠されてないか？
それでそれを多次元状態空間に位相して軌道を予測すると。
普通、時系列解析ってのは１個の値を予測するわけだけど、いま空想してるのは、何かで区別したロト出目のパターンを求める解として想定しているわけ。
それで次回はたぶん、このパターンに近いものになるんじゃないかと予測できないものか？

再構成の方法について

2008-04-30T13:45:00.002+09:00

参考資料

ファジィ再構成法、テセレーション法、グラムシュミット直行系法の三つ。

時系列データの解析は、まずそれがカオス的なのか？　　つまりカオス判定をする。

リアプノフ指数、フラクタル次元推定などの方法による。

つぎにターケンス埋め込み定理によって、一定の遅れ時間をとった多次元状態空間への再構成。

さきの言葉三つは、この再構成方法の名前である。
具体的にはどんな方法なのか？

参考資料

上の資料は、カオス的時系列の短期予測のための局所ファジィ再構成法という文書である。

次元数の意味するもの

2008-04-29T15:10:00.002+09:00

解析において、どれぐらいの次元数が適切か？
これについては公式みたいなのがあった。

それは次元数を特定するためのものではなく、必要かつ十分な結果が得られるには最低でもこれ位の次元数が必要である、というような考えであったと思う。

理解が十分ではないかも知れないが、今の時点でおそらく正解だろうと思うことを書き残しておく。

高次元とは、低次元に比べて、より見にくいもの。
つまり何かの法則があると仮定してだが、それがすぐには気付かない、あるいはその次元では見えない、といっても良いのではないか？

これをロトの時系列データでいうと、「出目には何らかの周期性があるとしても、それがどういう周期なのか？」ということが見えてこない。
だから次元数をもっと上げてみる、つまりこれは、より多くのデータが必要となってくるのだが、そういう事をすれば、より周期性らしきものが見えてくるんじゃないだろうか。

391回ロト6　カオス解析と結果を振り返る

2008-04-25T12:50:00.004+09:00

推定軌道本数45本
20%　　6
16%　　4
9%　　3
9%　　5
9%　　8
9%　　10
7%　　2
7%　　7

推定軌道本数27本
22%　　16
19%　　18
15%　　17
11%　　15
11%　　19
7%　　22
7%　　24

推定軌道本数38本
16%　　22
16%　　25
13%　　24
8%　　21
8%　　23

推定軌道本数31本
16%　　25
16%　　26
16%　　28
10%　　24
10%　　27
6%　　20
6%　　21
6%　　29
6%　　30

推定軌道本数4本
75%　　22
25%　　21

以上のデータはじゃむさんの解析データだ。上から順に第一、第二となって、今回は第五までとなっている。解析用アルゴリズムの設定で、参考軌道が該当なし、あるいは極端に少なかった為であろう。

今回の買い目は

　
　6　16　21　22　25　31　

結果　

　8　20　23　24　29　38　　ボーナス　43

前回と同じく、（ミニロトだが）カオス解析によってリストアップされなかった数字からは、当選数字が出なかった。
当選番号は第六枠の　38　を除き、どれもが候補として挙げられているものばかりである。
この結果を踏まえれば、リストアップされなかった数字を削除としてみるのが正解だろう。
勘で削除していく方法と比較する次元にはない。もはや出ないといえるのは「解析による必然の結果」と言えるのではないか。

ロト6における予測モデルの考え方

2008-04-24T14:51:00.004+09:00

たいそうなタイトルですが、要するに予測するときに対象としているモノが何なのか？ちゅうことですね。
現状では一応、時間に関連づけてカオス解析について理解しようとしているわけです。

なぜ時間に関連付けするかというと、過去データっていうのが時間的に蓄積されたものだからです。
当選数字一覧表っていうのは日付順に並んでいるものですから、時間を追って見れば、時系列データといえるんですね。

それでその数値が、次回はどの値をとるか？っていうことを予測するわけです。

相関関係を探るという視点で考える場合

因果関係といったほうが良いかも知れないな。
要は次回出目に影響を与えているものは何なのか？

整理してみます。

ロト6の結果はいったい何なのか？
次回の値はいったい何に影響されてるのか？

結論を出してから分析方法を考えるより、というか考えても結論は出ないと思われるので、仮説を立てた方が早い気がします。

とりあえずは、まず結果の累積値がある。
それで各回において、直接影響を与えてるものは何か？と考えてみる。

抽選会場に毎回出向き、状況を確認してからエントリーできる人はごく限られるとおもうが、思いつくまま上記について挙げてみよう。

ボタン押し行員は誰か？
使用されるセットは何か？
天候に含まれる要素、すべて
立会人
ボタンを押すタイミング・・・など

抽選過程における、いろいろな要素に着目し、つまりはデータをとる。
それで、それらは時系列として見る事が出来るし、また統計値としてみる事もできる。

検索である程度ロト関係のデータを見てみると、ほぼ全てと言ってよいと思うが、データが揃う。
ここで分析方法というか予測に関して、使われる要素で分類してみたい。

まず第一は抽選数字そのものを色々に加工したデータ。摘出順も含むとする。
第二にボールの色、およびセットについて統計、または加工したデータ。
そして第三に、ヒト的要素が考えられる。

ヒト的要素とは　　ボタン押し行為をする行員のこと。
または立会人などのことを指している。

立会人はあまり関係なしとして置いておくとして、ボタン押し行為は直接の影響をもつ。
現状で唯一確認できるサイトはhttp://www.sml6.net/
であるが、じゃむ氏もこの事に関連して記事を書いている。

上記に関してはすぐに参照できる資料がないので、自分で作るしかない。
つまり知りたいことは、誰が押したときはどういう結果だったのか？ということの統計値みたいなデータになるだろう。

発表されてる情報がすべて正しいと前提したうえでの話だが。
それでいくつかのパターンに分類して予測に使うという計画。
すでに実行されて結果を比較している人もいるだろうね。

VBAの記述がまだまだなので、すぐにデータ作成できないのがネック。要は求める解に対して変数Yがどれぐらい相関があるか？または無いか？Yは単独でなく複数かもしれないし、考えられる限りのどんな変数を対象にしても相関が見出せないかもしれない。

それで結局以下のようになる。

まずは想定した変数と相関があると仮定し、適切であろうと推測できる方法を用い解（解ではなく予測値だな）を求めてみる。それで結果に照らして使えるかどうか判断するという流れになるのかな。
現状ではここまで。書き足すつもり。

454回ミニロト結果とカオス解析の比較

2008-04-23T11:05:00.002+09:00

抽選結果

2　5　13　20　24　ボーナス　12　

今回私の選んだ組み合わせ

5　10　13　18　28　

選び方は枠別にパーセント表示された数字から、それぞれ最も高い数値を示したものを選んだだけである。おそらく期待値を表すものと理解していいだろう。
そこにアトラクタがあるという意味で。
結果はずばりトップの数値、5　と　13　の2個がヒットしている。もちろん使用したデータはじゃむさんのところ。

各枠にはそれぞれ参考軌道に応じた数値が示される。
それをチェックしてみるとデータに出てこない数字は全部で5個。
1　25　26　30　31　であった。
普通の予測例でいうと削除数字。でもここではまるで意味が違う。
データから必然的に導き出された結果である。

全体的にみてどうだろう？今回、一口だけ買ってこの結果。
なにも考えないで2/5のヒットだから、これだけ見れば上出来だと思うが。

じゃむさんからの回答

2008-04-23T01:48:00.005+09:00

私の尊敬する方より大変丁寧な回答を得たのでここに以下重要と思われることについて保存することにする。
質問の内容は

ロト6をカオス解析の対象とするにあたり、もっとも適切な時系列データはどういう形でのデータなのか？

「さて、まず時系列データについてですが、極論すれば、時間に対する哲学と信念の問題です。
ロト６がもしもランダム過程であるならば、独立試行により、前後の抽選には、影響関係なし、ということになります。
が、たとえば、ボームの言う暗在（正確な用語ではないかもしれません）が正しければ、この宇宙における部分は、全体と何らかの影響関係があり、つまりは、ランダム過程であっても、前後の何らかの影響関係は存する、ということなります。

時系列データおよび、時間哲学に関しては、いろいろと書きたいのですが、要点は、以上に集約されています。

また、リモートビューイングというのを、一つのトピックスとして取り上げているのですが、
これは、直線状にのみ、一方向にのみ時間は進む、という“信念”に対する反例としても考えています。

次に、カオス解析の対象データに関してですが、過去、不十分なカオス解析で、
①本数字合計数時系列
②各出現間隔個数時系列（間隔０～間隔６まで）
③摘出順第１数字～第６数字各時系列以上について、やってみたのですが、芳しくなかったです。

そこで、いろいろと考えてみて（原理的に）、現在の昇順ソートの第１数字～第６数字時系列で、カオス解析をやって見たところ、なかなかよい感触であり、現在に至る、という感じです。

上記に書いた「原理的に」とは、シェルドレイクの形態形成場理論に基づいて、という意味です。
形態形成場理論については、いずれ、このブログで参考資料として、本から引用する予定にしています。
カオス解析用のプログラムをいろいろと修正しているのは、いろんなデータ（ロト６だけに限らず）に対して適用できるように、というのを念頭においてのものです。

つまり、総当りで、ありとあらゆる時系列データに対して、カオス解析を再びやるつもりにしています。
「摘出順に一本」というのは、個人的には、かなり期待できると思ってます。」

コメントが過去にさかのぼって見れないようなので、やむなく保存させていただいた次第。
これを参考に少し間口をひろげるつもり。

時系列データの解析方法

2008-04-19T14:13:00.003+09:00

唯一有効な手段は、カオス解析の基本的なツールを用いて、システムの運動を観測して得た時系列を、位相空間（状態空間）で解析することです。

例えば、３次元の状態空間で解析する場合を取り上げますと、それは、観測時にある程度ノイズを除去したＮ個の時系列のm番目のデータ、X(m)、から次のステップで解析することです。

５個ずつデータをシフトさせ---時間をシフトさせ---X(m)、X(m+5)、X(m+10)からなる３個のデータを抽出します。
３次元空間のx軸にX(m)、y軸にX(m+5)、z軸にX(m+10)を成分とする、ベクトルX m=（X(m),X(m+5),X(m+10)）を作ります。
時間ｍを推移させ、x-y-z 空間にベクトルX mの軌跡を描かせます。

そして、この軌跡が、元の非線形システムのダイナミックスを再表現（再構築）するので、この軌跡を解析します。

シフトする時間（時間遅れ）と、抽出するデータ数（独立な次元数）とを最適に選ぶと、そのベクトルの軌跡の集合（奇妙なアトラクターと呼ばれる）が、その非線形システムを特徴づけます。そして、そのようなアトラクターを描くようなモデル式を構築できると、そのモデル式に基づきシステムの挙動予測や診断を実施することが可能となります。

以上はある企業のPRサイトから転載した。

シフトする時間＝遅れ時間、あるいは時間遅れ
抽出するデータ数＝独立な次元数

と、なっている。
後者の　抽出するデータ数＝独立な次元数　とは何だろう？

単純な意味でいうと3個、データをとれば3次元ということだ。
たとえば何次元でもいいのだが、はたしてそれが適切かどうか？は、どう判断すればいいのだろうか？
とりあえず解析を試みる事象がロト6の時系列データなので、3次元、つまり現実世界での現象だから3次元での数値をとることにする。

以下に具体的に解析の方法をメモする。

例えば今回抽選された第一数字を　5　とする。
前回は　2　、それで今回の数値　5　を次のように表すことにする。

（　2,　5　）　つまり今回出目を　前回出目→今回出目　とし、移動勾配として、また時間的な移動として捉える。
次に求めようとしている次回出目を　X　とし、もう一度書き直すと
（　2、　5、　X　）　となる。

これは取った数値が3個だから3次元であり、求めようとしている　X　の値を時間的な移動として表したものといえる。

次に遅れ時間について

遅れ時間とは、上記のような表記方法でいうと、数値どうしの間といえる。
ここで問題にしている数値は時間に沿ったものである。だから上記の例で言うと、測定した日は一週間ごとに一回で、順を追って　2　5　X 　であるから
この場合を　遅れ時間　1　と表す。

次に　遅れ時間　2　を考えてみる。

求める値はXでそのままでいい。
Xからみて直前は　5　という値だ。これを一週間さかのぼった値、それが　遅れ時間　2　の値、同様に其の値から一週間さかのぼった値をとる。
これで　X　からみて2週間づつ遡った値が2個とれる。

もう一度整理してみる。
遅れ時間の意味とは、時空を超えて連続した値とみなすことなのか？
求める解、　すなわち次回の当選番号は、過去の出目に影響されていると仮定して、直前、1週間前、2週間前、3・・・・というように時間＝値をずらして　X　の値を予測する考え方だろう。

次に求めた遅れ時間の数値＝座標を過去データから抜き出す作業をする。

ここでは求める値を　Z　とする。
（　X　Y　Z　）　それぞれの遅れ時間で求めた　X　Y　の値とおなじ数値、または似た数値を、過去データより選んでくる。
そのときは　Z　もいっしょに取ってこなくてはならない。
要するに　Z　の候補数字ということになる。
たとえば以下のように考えると分かりやすい。

X→Y　と出たら　Z　となることが過去に何回かあった。だから今回は　Z　となる可能性が高い。
という考えを、時系列をずらして捉え直すことだ。
普通、出目表などで予測する場合では連続する時間という観念の中でしか考えない。
過去データの統計値と照らし合わせて、「何が出た後はナニが出やすい」などなど。
これを「現象が連続しないで、飛び飛びに現れるかもしれない」と仮定しているだけだと思うのだが。

過去データより参考軌道を選ぶときに注意がある。
それは近接度と平行度だ。
平行度は移動勾配ともいってよい。
基本的に　遅れ時間　1　の　X　Y　と同じ値を参考にすべきだろう。
厳密にいえば何か規則があるのか？
まだ理解不足なので分からないが、たぶん恣意的なんじゃないだろうか。

最後に上記で得た座標を3次元上に再構成すると終わりだ。
具体的にはどうすればいいんだろうか？

今日はここまで。

時系列について

2008-04-19T00:17:00.002+09:00

参考資料　時系列解析一般

時系列についての理解が不完全なので、ここで理解を深めるために上記のサイトを参考とした。

まずロトの抽選結果の蓄積は時系列データなのか？
ロトの抽選結果すなわち値は毎週1回のペースで測定され何週目の数値は何々であった、というふうに値が生成された順番どおりにデータとしてみれる。だからロトの当選番号一覧表などは時系列データといえるだろう。

つぎが問題なのだがどうだろう？

「時系列における任意時刻の値は，それ以前の時刻の値に何等かの影響を受けており，また，未来の値は過去から現在までの推移に何等かの影響を受けています．従って，その時刻の値は厳密にはその直前までの値に規定されており，時系列の並びを入れ換えたり，値を勝手に変えたりすることは，その時系列に内在する相互連関構造(あるいは単に相関構造)を断ち切ることになり許されません．」　とある。

つまり「データは時間軸に沿ってありのままでなければ、時系列とは認められない」ということだ。

もうひとつ注目されるのは「いま観測された値はそれ以前の値に影響を受けており、未来の値も過去から現在までの値の推移に影響を受けている」ということ。

一般にロトでは順列は関係ない。組み合わせが正解すればそれでOKだ。
だから摘出順番で出目を当てる必要がないため、時系列という観点で分析する際の単位は一日、あるいは一週間で一回というペースになる。

もしも純粋に第一回の第一摘出から順に第七摘出まで、そして翌週・・・というふうにデータを一直線に並べたらどうだろうか？

まったく見当違いを犯しているだろうか？

つぎは後者の疑問。
本当に今回の出目は過去の値に影響されているのか？
常識的にみれば同一回の抽選に限っては影響を受ける。なぜなら一度に1個だけ摘出され、選ばれたボールは戻されないから。
だけど翌週の抽選となるとどうか？
物理的にはまったく影響を受ける要素がない。完全に独立試行といえる。
だから時系列データとしては不完全なのだろうか？

ここは影響を受けていると仮定して話を進めるのが適切だろう。
予測しようと試みる対象が適切でないならこの試みはここで終わってしまう。

以下の文は意味がよくわからないが、それなりに理解してみることとする。

「現実に観測値として得られる時系列データは，必ず離散的で有限長である．」
「時系列は，ある一定の離散的時間間隔でサンプリングされている．」

離散的とは連続的ではないことか？要するに瞬間的に値をとるという意味で、整数のイメージ、もしくは整数そのものかな。
有限長とは文字通り長さに限りのあることだろう。

以上で時系列のだいたいの定義というか意味が理解できたとしよう。
また補足するつもり。

予想ではなく予測であること

2008-04-18T13:26:00.010+09:00

神はサイコロ遊びをしない
上記はカオス解析を用いロトの次回予測を行っているサイトだ。
M氏がもっとも注目しているサイトで、かつ尊敬に値する。

さて上記のブログにアトラクタという言葉があるが、その意味はなんだろうか？
「引き付けるもの」という意味だそうだが、引力といえると書いている。

それでそのアトラクタが存在するであろう箇所へ次回当選番号が引き寄せられると。
アトラクタがどこに存在するのか？
解説によれば数値が折り返す地点とのこと。
以下はブログより重要だと思われることの抜粋。

折り返しているところに注目。それが複数個累積され、かつ、近い場所にあればあるほど、アトラクタが存在していることになる

折り返されることにより、その折り返し地点にアトラクタ性が付与される

連続直線運動は稀である。つまり、ほぼ折り返しが常態である

以上のことは過去データをグラフでみるとより分かりやすい。

グラフで攻略ロト6
M氏は上記のサイトを利用している。

そもそもカオス的手法で過去データより抜き出してきたグラフと、直近の単純な出目推移のグラフを対比させていいものかどうか判断できないが、確かにグラフは常に上下運動を繰り返しており、折り返しが常態化していると言える。
しかもいくつかのラインが同じ方向に動いているのが確認できる。
6本のラインが常に同じ方向に向かって移動するわけではないが、印象としてはおおむね揃っているように感じる。

予測方法に「今回の出目のあとに次回出目がXだったということが過去にA回ある、よってもっとも出現可能性が高いのが何々・・」というのがある。
これは過去に起きたことの頻度によって次回に対する期待値を計る方法だが、見方を変えればそこにアトラクタがあると言えるのではないか？

上記のような視点で、再度多くの予想サイトで集計されている統計値を見直してみるのもいいかも知れない。

さてM氏が気になる言葉に次のようなものがある。

「もうそろそろ出るかも」
「かなり出たからまず来ないだろう」
「反発して・・」
「ずっと出てないから狙い目」
「X番台は不発だったから次は・・・」「集中的に出るかも」
「ずっと眠っていたから連荘に注意・・」
等々。
これらは何を前提に、あるいは根拠に考えているのだろうか？
仮に「反動理論」と名付けよう。
これは収束ということを前提にしての考えなのか？あるいはいずれ必ず平均化するはず・・ということか。
ではなぜ24を問題にしないのか？
このような見方についてM氏は否定も肯定もしない。ただM氏の予測姿勢としては上記のような予測はしないでおこうと思う。理由は以下のように考えるから。

この先ずっと回を重ねても収束はしない。過去を観察すれば収束に向かっているように見える。
だけど観察する時点ではいつもアンバランスである。どの数字も均等には出現していないだろう。だいいち意思を持たないただのボールが平均化するかのごとく振舞うとは考えられない。あくまでそう見えるのは観察者の主観であって、繰り返される似たようなパターンを反動理論として認知しているに過ぎない。

しかしながら一定の期間においての出現回数や出現のインターバルというのはとても気になるものではある。
実際予測するにしても頼れるのはそういう過去データだけである。
毎回独立試行ではあるけれど先述したアトラクタの観点からすると、毎回、前回出目から影響を受けているといえるのか。

今日は以上で終わり。

390回の結果は22個選んだなかで2ヒットのみ。

目標達成には何が必要か？

2008-04-17T23:18:00.002+09:00

ロト6において１等を得るためには一体何が必要だろうか？

現状において我々に出来ること、それは分析することでしかないのではないか？
過去の当選履歴から何かを読み取り、それを次回の抽選において生かすこと。
この繰り返しであろう。
かく言う私も同様で、今まで三等はおろか四等すら得たことがない。
このブログでは心機一転、まず最初に予想の背景といえるものについて考えることとする。

ロト6は43個の中から6個選ばれるボールのナンバーを当てるゲームである。
抽選は専用の機械で行われ、無作為にシャッフルされた直後、人がボタンを押すタイミングで1個づつ抽出される。他にも事前公表なしに、その日使われるセット球が選ばれる等々。

いまさら言うまでもないが、実際の抽選は一見誰が見ても作為的行為の介入する余地がないように進行する。
私には上記のことを踏まえたうえで次の疑問が生じる。

ロト6はランダムなのか？つまりは出目はランダムなのか？
ランダムという言葉は一般には、でたらめ、法則性の欠如、人為的でないなどの意味で使われる。その意味でいえば抽選はランダムといえる。

上記のことは分析を行うにあたり重要なことになってくる。
そもそもなぜ分析をするのか？を考えてみる。つまり何かしら規則性、法則性、周期性があるのではないか？という期待がそうさせるのだ。
仮に純正ランダムとしよう。するとこうなるだろう。「規則性がないものを分析して一体なんになるのだ？」と。

上記の答えとして、現状でもっとも期待の持てるもの、それはカオス理論だ。
ネット上ではすでに先行して公開されているものがある。
私は現在、まったくもって知識不足であるが、いずれ後発組として知識を深めたいと考えている。

あとは一般的であろうと思われる過去データから予測する方法。
これにも色々な見方があるが、現在一番自分にしっくりくる見方を模索中ではある。

もうひとつ注目していい要素がある。それは直感だ。
人気のあるブログのようなのでご存知かもしれないがイメージシンクロというブログがある。
データ予想もあるのだが、こういう考え方も必要な要素かもしれない。

以上簡単だが今日はこれで終わり。

1/ｆ　のゆらぎについてのメモ

2008-04-17T19:22:00.006+09:00

　ある事象を例えば一定の時間的あるいは空間的間隔に区切って観測するとき各成分の重みを数学的に表したものをパワースペクトルといいますが、
パワースペクトルを縦軸に、時間（空間）的間隔を横軸に両対数グラフで表したときに一定の傾向が現れます。
元の事象のランダムさが大きいとこのグラフは寝てくるし、完全に横になると全くランダムということになります。逆に規則性・予測性が高いとグラフは立ってきます。

　そしてこの乱雑さと規則性がちょうどせめぎ合うところが1/fのグラフになるといわれています。

そうしたゆらぎを数字に置き換えますと、図１のようなグラフになります。それを周波数（frequency＝ｆ）ごとに分析しますと、図２のように単調な波形に分けることができます。すると、ゆらぎをいくつかの種類に分類でき、その中に、1/fゆらぎがあるんです。

以上は全てネット上で公開されている情報。
どういう計算というか、具体的に何をどうすると何がわかるのか？

ロトにおけるパワースペクトルとは何だ？
上記のグラフをロト予測の難しさと合わせて思うと、たぶん横に寝るのでしょうね。

ロト6とミニロト予測 M氏の備忘録

近況報告

第427回ロト6予測

第426回ロト6具体的に絞り込む

第426回ロト6状況判断

ロト6特異出目に関するメモ

第４２３回ロト6WEKAによる予測

ロト6における説明変数

第421回ロト6の結果

第484回ミニロト予測

第420回ロト6予測

第483回ミニロト予測

第419回ロト6予測

第482回ミニロト予測

第418回ロト6予測

第417回ロト6結果と予測過程をみる。

第481回ミニロト予測

第480回ミニロト予測

第417回ロト6予測

第４１６回ロト6予測（1）

第479回ミニロト予測

第４１５回ロト6予測

第４７８回ミニロト予測

第４１４回ロト6予測(2)

第４１４回ロト6予測(1)

ロト6予測準備（1）

第４７７回ミニロト予測（1）

ミニロト予測準備段階（3）と413ロト6の覚え書

ミニロト予測準備段階（2）

ミニロト予測準備段階（1）

第４１２回ロト6ゾーン予測

第４７５回ミニロト予測

第４１１回ロト6予測

第４７４回ミニロト予測

ミニロト傾向分析（1）第473回終了時点でのトータルです。

予測とデータに関する覚え書きと第412回ロト6予測

第４１０回ロト6予測

第４７3回ミニロト予測

第４０９回ロト6予測

第４０９回ロト6予測

第４７２回ミニロト予測

第４０８回ロト6予測その2

第４０８回ロト6の予測その1

第471回ミニロトの予測

第４０７回ロト6結果と検証

第407回ロト6の予測

第470回ミニロトの結果と検証

第４７０回ミニロト予測その2

第４７０回ミ二ロト予測 その1

第406回ロト6結果検証

第469回ミニロト結果検証

WEKA予測にはどんなデータが有効なのか？

WEKAによる第406回ロト6の予測

WEKAによる第469回ミニロトの予測

ロト6第405回の予測と結果

ミニロト第468回の予測

第404回ロト6予測

ロト6 第403回の結果と答え合わせ

第403回ロト6予測

ミニロト466回WEKAによる予測値

ミニロト466回のための参考データ

wekaによる402回ロト6の予測メモ

第465回ミニロトについて反省会

WEKAによるロト6第４０１回予測

WEKAでのデータ取り扱い

WEKAによる第464回ミニロト予測検証。

WEKAによる第401回ロト6予測

wekaによる４６４回ミニロト予測

WEKAでロトを予測する（1）

Rでロト6 400回を予測する。

Rによる399回ロト6第六数字予測

ミニロト予測（2）

ミニロト459回への予測（1）

Rを使ってミニロトを予測してみる

フラクタルについて

再構成の方法について

次元数の意味するもの

391回ロト6 カオス解析と結果を振り返る

ロト6における予測モデルの考え方

454回ミニロト結果とカオス解析の比較

ロト6とミニロト予測　M氏の備忘録

第４７０回ミ二ロト予測　その1

ロト6　第403回の結果と答え合わせ

Rでロト6　400回を予測する。

391回ロト6　カオス解析と結果を振り返る

1/ｆ　のゆらぎについてのメモ